A Pattern Classification Model for Vowel Data Using Fuzzy Nearest Neighbor نموذج تصنيف نمط لبيانات الحروف المتحركة باستخدام الجار الأقرب الغامض Un modèle de classification de motif pour les données de voyelle utilisant le voisin le plus proche flou Un modelo de clasificación de patrones para datos vocálicos utilizando el vecino más cercano difuso

Classification of the patterns is a crucial structure of research and applications.Using fuzzy set theory, classifying the patterns has become of great interest because of its ability to understand the parameters.One of the problems observed in the fuzzification of an unknown pattern is that importance is given only to the known patterns but not to their features.In contrast, features of the patterns play an essential role when their respective patterns overlap.In this paper, an optimal fuzzy nearest neighbor model has been introduced in which a fuzzification process has been carried out for the unknown pattern using k nearest neighbor.With the help of the fuzzification process, the membership matrix has been formed.In this membership matrix, fuzzification has been carried out of the features of the unknown pattern.Classification results are verified on a completely llabelled Telugu vowel data set, and the accuracy is compared with the different models and the fuzzy k nearest neighbor algorithm.The proposed model gives 84.86% accuracy on 50% training data set and 89.35% accuracy on 80% training data set.The proposed classifier learns well enough with a small amount of training data, resulting in an efficient and faster approach. تصنيف الأنماط هو هيكل حاسم للبحث والتطبيقات. باستخدام نظرية المجموعة الغامضة، أصبح تصنيف الأنماط ذا أهمية كبيرة بسبب قدرتها على فهم المعلمات. تتمثل إحدى المشكلات التي لوحظت في تضبيب نمط غير معروف في إعطاء الأهمية فقط للأنماط المعروفة ولكن ليس لخصائصها. على النقيض من ذلك، تلعب ميزات الأنماط دورًا أساسيًا عندما تتداخل أنماطها الخاصة. في هذه الورقة، تم تقديم نموذج أقرب جار غامض مثالي تم فيه تنفيذ عملية التزييت للنمط غير المعروف باستخدام أقرب جار k. وبمساعدة عملية التزييت، تم تشكيل مصفوفة العضوية. في مصفوفة العضوية هذه، تم تنفيذ التزييت من ميزات النمط غير المعروف. يتم التحقق من نتائج التصنيف على مجموعة بيانات حروف العلة التيلوجية المسماة بالكامل، وتتم مقارنة الدقة مع النماذج المختلفة وخوارزمية أقرب جار غامض k. يعطي النموذج المقترح دقة 84.86 ٪ على مجموعة بيانات التدريب بنسبة 50 ٪ ودقة 89.35 ٪ على مجموعة بيانات التدريب بنسبة 80 ٪. يتعلم المصنف المقترح جيدًا بما فيه الكفاية من خلال كمية صغيرة من بيانات التدريب، مما يؤدي إلى نهج فعال وأسرع. La classification des motifs est une structure cruciale de la recherche et des applications. En utilisant la théorie des ensembles flous, la classification des motifs est devenue très intéressante en raison de sa capacité à comprendre les paramètres. L'un des problèmes observés dans la fuzzification d'un motif inconnu est que l'importance est accordée uniquement aux motifs connus mais pas à leurs caractéristiques. En revanche, les caractéristiques des motifs jouent un rôle essentiel lorsque leurs motifs respectifs se chevauchent. Dans cet article, un modèle de plus proche voisin flou optimal a été introduit dans lequel un processus de fuzzification a été effectué pour le modèle inconnu en utilisant k plus proche voisin. Avec l'aide du processus de fuzzification, la matrice d'appartenance a été formée. Dans cette matrice d'appartenance, la fuzzification a été effectuée sur les caractéristiques du modèle inconnu. Les résultats de classification sont vérifiés sur un ensemble de données de voyelles Telugu complètement étiqueté, et la précision est comparée avec les différents modèles et l'algorithme de plus proche voisin fuzzy k. Le modèle proposé donne une précision de 84,86 % sur un ensemble de données d'entraînement de 50 % et une précision de 89,35 % sur un ensemble de données d'entraînement de 80 %. le classificateur proposé apprend assez bien avec une petite quantité de données d'entraînement, ce qui entraîne une approche efficace et plus rapide. La clasificación de los patrones es una estructura crucial de investigación y aplicaciones. Utilizando la teoría de conjuntos difusos, la clasificación de los patrones se ha vuelto de gran interés debido a su capacidad para comprender los parámetros. Uno de los problemas observados en la difuminación de un patrón desconocido es que se da importancia solo a los patrones conocidos pero no a sus características. En contraste, las características de los patrones juegan un papel esencial cuando sus respectivos patrones se superponen. En este documento, se ha introducido un modelo óptimo de vecino más cercano difuso en el que se ha llevado a cabo un proceso de difuminación para el patrón desconocido utilizando k vecino más cercano. Con la ayuda del proceso de difuminación, se ha formado la matriz de membresía. En esta matriz de membresía, se ha llevado a cabo la difuminación de las características del patrón desconocido. Los resultados de la clasificación se verifican en un conjunto de datos de vocales telugu completamente etiquetado, y la precisión se compara con los diferentes modelos y el algoritmo del vecino más cercano k difuso. El modelo propuesto da una precisión del 84,86% en el conjunto de datos de entrenamiento del 50% y del 89,35% en el conjunto de datos de entrenamiento del 80%. el clasificador propuesto aprende lo suficientemente bien con una pequeña cantidad de datos de entrenamiento, lo que resulta en un enfoque eficiente y más rápido.