An explicit rough–fuzzy model for pattern classification is proposed in the present paper. The model explores and provides the synergistic integration of the merits of both fuzzy and rough sets. It acquires improved learning and generalization capabilities through explicit fuzzification of input features. Likely optimal features are selected from these fuzzified features using neighborhood rough sets, which utilize the neighborhood relative information. The combined class belonging information of features in the designing process of model further enhances its decision-making ability. The resultant features thus provide comprehensive framework for building discriminative pattern classification models for the data sets with highly overlapping class boundaries. The efficacy of the proposed model is verified with four completely labeled data sets including one synthetic remote sensing image, and one partially labeled real remote sensing image. Various performance measurement indexes supported the superiority claim of the model

چکیده

یک مدل صریح راف – فازی برای دسته بندی الگو در این مقاله ارائه شده است. مدل با یکپارچه سازی، محاسن و مزایای مجموعه های فازی و راف را در کنار یکدیگر مورد استفاده قرار داده است. مدل پیشنهادی با فازی سازی ویژگیهای ورودی ،به قابلیت تعمیم و یادگیری بهبود یافته ای دست می یابد . سپس ویژگیهای بهینه از این ویژگیهای فازی شده به شکل مناسبی با استفاده از مجموعه های راف همسایگی ( که از اطلاعات نسبی همسایه ها استفاده می کند )،انتخاب می شوند . بنابراین ویژگیهای بدست آمده ،یک فریم ورک جامع برای ساخت مدلهای دسته بندی الگو به صورت متمایز کننده برای مجموعه های داده با مرزهای مشترک کلاسی ،فراهم می نمایند. کارآیی مدل پیشنهادی بوسیله چهار مجموعه داده با برچسب کامل به همراه یک تصویرسنجش از راه دور ترکیبی و یک تصویر سنجش از راه دور حقیقی که به صورت نسبی و برچسب گذاری شده بود ، مورد ارزیابی قرار گرفت .

1-مقدمه

اخیراً بدلیل افزایش شدید چالش های مسائل و کاربردهای مختلف نظیر داده کاوی ، تحلیل مستند ، بازیهای مالی ، سازمان دهی و بازیابی پایگاه داده های عظیم مالتی مدیا ، پزشکی ، سنجش از راه دور ، بایومتریک و غیره ، گرایش به دسته بندی الگو به شدت افزایش یافته است. جنبه های گوناگونی نقشی مهم در طراحی دسته بندی کننده های الگو با کارآیی قابل قبول برای یک وظیفه مشخص ، بازی می کنند. از آن جمله ومی توان به زمان محاسبه  رضایت بخش ، پیچیدگی و بهبود قابلیت یادگیری و تعمیم اشاره کرد. در این رابطه ، رویکردهای زیادی برای ساخت دسته بندی کننده های الگو ارائه شده است (نظیر مدلهای آماری (Fukunaga,1990 )، شبکه های عصبی (Haykin,1998) ،سیستمهای منطق فازی (Kuncheva,2000) ، سیستم های  تکاملی (Derivaux etal, 2010) و سایر مدلهای مبتنی بر هوش محاسباتی (Logiela,2012)). دسته بندی مجموعه های داده با مرزهای کلاسی که بی دقت و با اشتراک زیاد تعریف شده اند ، برای محققان یک مسئله چالش برانگیز بوده است . برای مثال می توان به دسته بندی پوشش زمین مربوط به تصاویر سنجش از راه دور ، اشاره کرد …