سیستم‌های دسته‌بند یادگیر عمیق ترکیبی مبتنی بر فانتوم برای تصمیم‌گیری بلادرنگ

نوع مقاله : مقاله پژوهشی

نویسندگان

1 مربی، گروه مهندسی کامپیوتر دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد بافق، یزد، ایران

2 دانشجوی ارشد، گروه مهندسی کامپیوتر دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد بافق، یزد، ایران

10.22034/abmir.2026.23687.1169

چکیده

سیستم‌های دسته‌بند یادگیر به‌عنوان چارچوبی ترکیبی برای تلفیق تفسیرپذیری مبتنی بر قوانین و یادگیری تطبیقی شناخته می‌شوند؛ مدل‌های کلاسیک آن‌ها در مواجهه با داده‌های پویای چندکاناله و با ابعاد بالا، به‌ویژه در کاربردهای بلادرنگ، دچار افت کارایی می‌شوند. این پژوهش معماری تازه‌ای با عنوان سیستم‌های دسته‌بند یادگیر فانتوم ارائه می‌کند که هدف آن رفع این محدودیت‌ها از طریق افزودن لایه‌ای تطبیقی میان نمایش‌های عمیق و سازوکار تکامل قوانین است. لایه فانتوم با استفاده از شبکه‌های عمیق، ویژگی‌های پیچیده و پُربعد استخراج‌شده از داده را به نمایش‌های قابل‌تفسیر تبدیل می‌کند و با هدایت گرادیانی، فرایند کشف و بهینه‌سازی قوانین را شتاب می‌بخشد. کارایی مدل پیشنهادی با مجموعه‌داده‌های معیار شامل MNIST، Fashion-MNIST، CIFAR-10، UCI Letter و Statlog مورد بررسی قرار گرفت. این دادگان گستره‌ای از سادگی الگوهای تک‌کاناله تا پیچیدگی تصاویر چندکاناله و ساختارهای عددی با ابعاد بالا را پوشش می‌دهند و امکان ارزیابی توانایی تعمیم، تفسیرپذیری و پایداری مدل را فراهم می‌کنند. افزون بر داده‌های معیار، مدل فانتوم در سه حوزه کاربردی واقعی بهینه‌سازی فرایندهای صنعتی، تشخیص تصاویر پزشکی و نگهداری پیش‌بینانه مبتنی بر اینترنت اشیا پیاده‌سازی و با روش‌های پیشرفته‌ای همچون XCS، XCSF و رویکردهای یادگیری تقویتی عمیق مقایسه شد. نتایج تجربی نشان داد که معماری فانتوم موجب افزایش ۳۸ درصدی سرعت همگرایی، بهبود ۲۲ درصدی دقت پیش‌بینی و کاهش ۴۷ درصدی پیچیدگی قواعد می‌شود. این یافته‌ها بیانگر مقیاس‌پذیری، پایداری و کارایی بالای مدل در محیط‌های نویزی و جریان‌محور بوده و مسیر تازه‌ای برای توسعه سامانه‌های قابل توضیح، بلادرنگ و قابل‌گسترش در کاربردهای چندعاملی و یادگیری مداوم فراهم می‌سازد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Phantom-Driven Hybrid Deep Learning Classifier Systems for Real-Time Decision Making

نویسندگان [English]

  • MohammadReza DehghaniMahmoudAbadi 1
  • Elham DehghanTezerjani 2
1 Supervisor, Department of Computer Engineering, Bafgh Branch, Islamic Azad University, Bafgh, Iran
2 Master's Student, Department of Computer Engineering, Bafgh Branch, Islamic Azad University, Bafgh, Iran
چکیده [English]

Learning Classifier Systems are recognized as a hybrid framework that integrates rule-based interpretability with adaptive learning. However, classical LCS models experience performance degradation when handling high-dimensional, multichannel dynamic data, particularly in real-time applications. This study introduces a novel architecture, termed Phantom Learning Classifier Systems, designed to overcome these limitations by incorporating an adaptive layer between deep representations and the rule evolution mechanism. The Phantom layer leverages deep networks to transform complex, high-dimensional features extracted from data into interpretable representations and accelerates rule discovery and optimization through gradient guidance. The performance of the proposed model was evaluated on benchmark datasets including MNIST, Fashion-MNIST, CIFAR-10, UCI Letter, and Statlog. These datasets span from simple unichannel patterns to complex multichannel images and high-dimensional numerical structures, enabling comprehensive assessment of the model’s generalization, interpretability, and stability. Beyond benchmark data, the Phantom model was implemented in three real-world application domains: industrial process optimization, medical image recognition, and IoT-based predictive maintenance. Its performance was compared against advanced methods such as XCS, XCSF, and deep reinforcement learning approaches.Experimental results demonstrate that Phantom architecture achieves a 38% increase in convergence speed, a 22% improvement in prediction accuracy, and a 47% reduction in rule complexity. These findings highlight the model’s scalability, robustness, and efficiency in noisy and streaming environments, offering a new pathway for the development of explainable, real-time, and extensible systems in multi-factor and continual learning applications.

کلیدواژه‌ها [English]

  • Learning Classifier Systems (LCS)
  • layer phantom
  • Deep Learning Explainable Artificial Intelligence (XAI)
  • Streaming Data

مراجع

[1]     L. Asvathama and A. Capulin, “Evaluating Supervised Learning Classifier Performance for OFDM Communication in AWGN-Impacted Systems,” Results in Engineering, vol. 26, p. 105178, 2025.
[2]     C. Shen, Y. Liu, B. Chen, X. Tao, Y. Huangfu, and D. Wang, “Decoupling incremental classifier and representation learning based continual learning machinery fault diagnosis framework under long-tailed distribution,” Chinese Journal of Mechanical Engineering, vol. 39,p.100031,2026.
[3]     Perea et al., “Integrating LoRaWAN sensor networks and machine learning models to classify beef cattle behavior on arid rangelands of the southwestern United States,” Smart Agricultural Technology, vol. 11, p. 101002, 2025.
[4]     J. E. Z. Macias and S. Trilles, “Machine learning-based prediction model for battery levels in IoT devices using meteorological variables,” Internet of Things, vol. 25, p. 101109,2024.
[5]     K. Aiki, R. Tsuchiya, A. Kushida, and T. Tominaga, “Rapid counting of Kazachstania humilis and Saccharomyces cerevisiae in sourdough by deep learning-based classifier,” J Microbiol Methods, vol. 236, p. 107183, 2025.
[6]     Md. M. Hemal and S. Saha, “Explainable deep learning-based meta-classifier approach for multi-label classification of retinal diseases,” Array, vol.26, p.100402,2025.
[7]     Z. Masood, Z. Jiangbin, I. Ahmad, C. Dongdong, W. Shabbir, and M. Irfan, “A novel continual reinforcement learning-based expert system for self-optimization of soft real-time systems,” Expert Syst Appl, vol. 238, p. 122309, 2024.
[8]     V. Thomas, “Classifying Alzheimer’s disease using machine learning: Insights from default mode network alterations,” Biomed Signal Process Control, vol.112, p.108526,2026.
[9]     G. Volkmar, P. M. Fischer, and S. Reinecke, “Artificial Intelligence and Machine Learning: Exploring drivers, barriers, and future developments in marketing management,” J Bus Res, vol.149, p.599–614,2022.
[10] O. Barukab, F. Ali, W. Alghamdi, Y. Bassam, and S. Afzal Khan, “DBP-CNN: Deep learning-based prediction of DNA-binding proteins by coupling discrete cosine transform with two-dimensional convolutional neural network,” Expert Syst Appl, vol. 197, p. 116729, 2022,
[11] M. Irfan, Z. Jiangbin, M. Iqbal, Z. Masood, and M. H. Arif, “Knowledge extraction and retention based continual learning by using convolutional autoencoder-based learning classifier system,” Inf Sci (N Y), vol. 591, pp. 287–305, Apr. 2022.
[12] G. Acevedo-Sánchez, A. Alarcón-Paredes, and C. Yáñez-Márquez, “Effect of agriculture-related dataset complexity on classical machine learning and deep learning classifiers performance,” Comput Electron Agric, vol. 239, p.110941,2025.
[13] D. Xia, Y. Yang, S. Yang, and T. Li, “Incomplete multi-view clustering via kernelized graph learning,” Inf Sci (N Y), vol. 625, pp.1–19,2023.
[14] M. Saif-ur-Rehman, O. Ali, C. Klaes, and I. Iossifidis, “Adaptive SpikeDeep-classifier: Self-organizing and self-supervised machine learning algorithm for online spike sorting,” Neurocomputing, vol.655, p.131370,2025.
[15] J. Cheng and M. S. Bernstein, “Flock: Hybrid Crowd-Machine Learning Classifiers,” in Proceedings of the 18th ACM Conference on Computer Supported Cooperative Work & Social Computing, in CSCW ’15. New York, NY, USA: Association for Computing Machinery, 2015, pp. 600–611.
[16] P. K. Yadalam, P. M. Natarajan, and C. M. Ardila, “Interpretable Ensemble Learning Predicts Antibiotic Resistance in Treponema denticola Using Expert Classifiers,” Int Dent J, vol. 75, no. 5, p. 100884, 2025.
[17] ] A. Asirvatham and C. Meenakshi, “The Impact of SMS Phishing using Machine Learning Classifiers with Innovative Techniques,” Procedia Comput Sci, vol. 260, pp. 608–615, 2025.
[18] S. Banerjee and P. Sarathee Bhowmik, “Machine learning based classifiers for dynamic and transient disturbance classification in smart microgrid system,” Measurement, vol. 240, p. 115576, 2025.
[19] C. Fan, “Optimization and performance evaluation of machine learning classifiers for predicting construction quality and schedule,” Autom Constr, vol. 179, p. 106470, 2025.
[20] J. Estrella-Ramírez, C. H. Garcia-Capulin, O. Almanza-Conejo, and J. C. G. Carranza, “Automated Machine Learning for Text Classification: Creating Ensembles of Classifiers through Evolutionary Hyper-Heuristics,” Eng Appl Artif Intell, vol. 160, p. 111738, 2025.
[21] C. Rajathi and P. Rukmani, “Hybrid Learning Model for intrusion detection system: A combination of parametric and non-parametric classifiers,” Alexandria Engineering Journal, vol. 112, pp. 384–396, 2025.
[22] M. Dehghanimahmoudabadi, K. Mirzaie, and F. Peyravi, “Improving Credit Assignment in a learning classier system with Markov reinforcement learning for protein secondary structure prediction,” Journal of Applied and Basic Machine Intelligence Research, vol. 1, no. 2, pp. 92–104, 2023.
[23] G. Mai et al., “Towards the next generation of Geospatial Artificial Intelligence,” International Journal of Applied Earth Observation and Geoinformation, vol. 136, p. 104368, 2025.
[24] M. Ghaffari, Y. Zhu, and A. Shrestha, “A review of advancements of artificial intelligence in dentistry,” Dentistry Review, vol. 4, no. 2, p. 100081, 2024.
[25] M. Mateu-Sanz et al., “Redefining biomaterial biocompatibility: challenges for artificial intelligence and text mining,” Trends Biotechnol, vol. 42, no. 4, pp. 402–417, 2024,
[26] M. Rashid, “Artificial Intelligence Effecting a Paradigm Shift in Drug Development,” SLAS Technol, vol. 26, no. 1, pp. 3–15, 2021.
[27] M. Moradi and M. Dass, “Applications of artificial intelligence in B2B marketing: Challenges and future directions,” Industrial Marketing Management, vol. 107, pp. 300–314, 2022.
پژوهش های نظری و کاربردی هوش ماشینی
دوره 4، شماره 1
بهار و تابستان 1405
اردیبهشت 1405
صفحه 41-56

فایل ها

هم رسانی

ارجاع به این مقاله

آمار