کاربرد محاسبات گرانولی بر پایه فازی فیثاغورثی در طبقه‌بندی گیاهان گل دار
محورهای موضوعی : فناوری های تولید پایدار
عبدالرضا زرندی باغینی
1
,
حجت بابایی
2
,
رامین طباطبایی میرحسینی
3
1 - دانشجوی دکتری گروه ریاضی، دانشکده علوم پایه، واحد شهید حاج قاسم سلیمانی،کرمان ، ایران
2 - استادیار گروه ریاضی، دانشکده علوم پایه، واحد شهید حاج قاسم سلیمانی،کرمان ، ایران
3 - دانشیار گروه عمران، دانشکده فنی و مهندسی، واحد شهید حاج قاسم سلیمانی، دانشگاه آزاد اسلامی، کرمان، ایران
کلید واژه: فازی, فازی فیثاغورثی, طبقه‌بندی, گرانول ,
چکیده مقاله :
در علم گیاه‌شناسی طبقه‌بندی گیاهان اهمیت زیادی دارد، طبقه‌بندی روشی موثر برای سازماندهی داده‌ها است و به ما کمک می‌کند تا گیاهان را بهتر درک کنیم و اطلاعات بیشتری در مورد آنها بدست آوریم. با طبقه‌بندی گیاهان، می‌توانیم الگوها و روابط بیشتری بین گونه‌ها را شناسایی کنیم. این اطلاعات در انتخاب بهترین روش‌های کشت و نگهداری گیاهان به ما کمک می‌کند. از ملزومات طبقه‌بندی آگاهی از خواص و ویژگیهای گوناگون گیاهان است. تعدد ویژگیهای موثر در طبقه‌بندی، دسته‌بندی را دقیق‌تر می‌کند. اما افزایش پارامترها، تصمیم‌گیر را چالش برانگیز کرده و نقش عدم قطعیت در تصمیم‌گیری پررنگ می‌شود. برای مدیریت عدم قطعیت، نیاز به ساختاری منعطف می‌باشد. در این مقاله با استفاده از محاسبات گرانولی بر اساس فازی فیثاغورثی ساختاری منعطف برای دسته‌بندی گیاهان گل‌دار ارائه می‌شود. بررسی و مقایسه طبقه‌بندی گل‌های زنبق بر اساس الگوی ارائه شده، با طبقه‌بندی شهودی نشان می‌دهد که الگوی پیشنهادی دقت قابل قبولی در خوشه‌بندی گیاهان گل‌دار دارد.
In the science of botany, the classification of plants is very important. Classification is also an effective way of organizing data, helps us to understand plants better, and get more information about them. By classifying plants, we can identify more patterns and relationships between species. This information helps us in choosing the best methods of growing and maintaining plants. Knowledge of various properties and characteristics of plants is essential for classification. The multiplicity of effective features in classification makes it more accurate. But the increase of parameters challenges the decision maker and the role of uncertainty in decision-making becomes prominent. To manage uncertainty, a flexible structure is needed. In this article, a flexible structure for classification of flowering plants is presented using granular calculations based on Pythagorean fuzzy. Reviewing and comparing the classification of iris flowers based on the presented model with intuitive classification shows that the proposed model has an acceptable accuracy in the clustering of flowering plants.
Arun, C. H., Emmanuel, W. R. S., & Durairaj, D. C. (2013). Texture feature extraction for identification of medicinal plants and comparison of different classifiers. International Journal of Computer Applications, 62(12), 1–9.
Beghin, T., Cope, J. S., Remagnino, P., & Barman, S. (2010). Shape and texture based plant leaf classification. Advanced Concepts for Intelligent Vision Systems: 12th International Conference, ACIVS 2010, Sydney, Australia, December 13-16, 2010, Proceedings, Part II 12, 345–353.
De Angelis, L., & Dias, J. G. (2014). Mining categorical sequences from data using a hybrid clustering method. European Journal of Operational Research, 234(3), 720–730.
Ding, S., Du, M., & Zhu, H. (2015). Survey on granularity clustering. Cognitive Neurodynamics, 9(6), 561–572.
Kadir, A., Nugroho, L. E., Susanto, A., & Santosa, P. I. (2013). Leaf classification using shape, color, and texture features. ArXiv Preprint ArXiv:1401.4447.
Pedrycz, W. (2018). Granular computing: analysis and design of intelligent systems. CRC press.
Rashad, M. Z., El-Desouky, B. S., & Khawasik, M. S. (2011). Plants images classification based on textural features using combined classifier. AIRCC’s International Journal of Computer Science and Information Technology, 93–100.
Sumathi, C. S., & Kumar, A. V. S. (2012). Edge and texture fusion for plant leaf classification. International Journal of Computer Science and Telecommunications, 3(6), 6–9.
Yager, R. R. (2013). Pythagorean fuzzy subsets. 2013 Joint IFSA World Congress and NAFIPS Annual Meeting (IFSA/NAFIPS), 57–61.
Yao, Y. Y. Y., Liau, C.-J., & Zhong, N. (2003). Granular computing based on rough sets, quotient space theory, and belief functions. International Symposium on Methodologies for Intelligent Systems, 152–159.
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353.
Zhang, X., & Xu, Z. (2014). The TODIM analysis approach based on novel measured functions under hesitant fuzzy environment. Knowledge-Based Systems, 61, 48–58.