676 views
پیشینه تحقیق یادگیری طبقه بندی کننده های فازی و معرفی الگوریتم رقابت استعماری دارای ۵۳ صفحه می باشد فایل پیشینه تحقیق به صورت ورد word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.
فصل اول: ۵
۱٫ مقدمه ۵
۱-۱٫ مقدمه ۵
۱-۲٫ شرح مسئله ۷
۱-۳٫ چالشها ۸
فصل دوم ۱۱
۲٫ مروری بر یادگیری سیستمهای فازی ۱۲
۲-۱٫ مقدمه ۱۲
۲-۲٫ حوزه تکامل قوانین فازی ۱۳
۲-۳٫ یادگیری سیستمهای طبقهبندی کننده فازی ۱۴
۲-۳-۱٫ یادگیری سیستمهای طبقهبندی کننده فازی براساس الگوریتم ژنتیک ۱۴
۲-۳-۲٫ الگوریتمهای تکامل همزمان ۲۴
۲-۳-۳٫ یادگیری قوانین فازی با استفاده از الگوریتم ازدحام ذرات ۲۶
۲-۳-۴٫ یادگیری قوانین فازی با استفاده از الگوریتم زنبور عسل ۲۷
۲-۳-۵٫ یادگیری قوانین فازی با استفاده از الگوریتم مورچگان ۲۸
۲-۴٫ الگوریتم رقابت استعماری ۲۸
۲-۴-۱٫ ویژگیهای الگوریتم رقابت استعماری ۳۰
۲-۴-۲٫ کاربردهای الگوریتم رقابت استعماری ۳۰
۲-۵٫ جمع بندی ۳۲
فصل سوم ۳۳
الگوریتم تکامل همزمان برای کشف قوانین فازی ۳۳
۳٫ الگوریتم تکامل هم زمان برای کشف قوانین فازی ۳۴
۳-۱٫ مقدمه ۳۴
۳-۲٫ طبقه بندی کننده های فازی ۳۴
۳-۲-۱٫ سیستم های استنتاج فازی ۳۴
۳-۲-۲٫ طبقه بندی کننده های فازی ۳۶
۳-۳٫ الگوریتم CORE ۳۹
۳-۴٫ الگوریتم ISHIBUCHI( سال ۲۰۱۳) ۴۰
۳-۵٫ روش GBML-IVFS-AMP ۴۲
۳-۶٫ الگوریتم GNP برای ورندهی به قوانین فازی ۴۳
۳-۷٫ روش TARGET ۴۳
۳-۸٫ روش SGERD ۴۴
۳-۹٫ الگوریتم رقابت استعماری ۴۶
۳-۹-۱٫ مقداردهی اولیه امپراطوریها ۴۶
۳-۹-۲٫ عملگر ASSIMILATION ۴۷
۳-۹-۳٫ استراتژی بهینه سازی مبتنی بر تکامل اجتماعی سیاسی ۴۸
فهرست منابع ۵۰
۱-E. Atashpaz-Gargari, F. Hashemzadeh, R. Rajabioun, C. Lucas, Colonial competitive algorithm: A novel approach for PID controller design in MIMO distillation column process, International Journal of Intelligent Computing and Cybernetics. 1(3),pp. 337-355,2008.
۲-H. Sepehri Rad, C. Lucas, Application of Imperialistic Competition Algorithm in recommender systems, In 13th Int’l CSI Computer Conference (CSICC’۰۸), Kish Island, Iran., 2008.
۳-A. Biabangard-Oskouyi, E. Atashpaz-Gargari, N. Soltani, and C. Lucas, “Application of Imperialist Competitive Algorithm for Material Properties Characterization from Sharp Indentation Test,” Int J Eng Simul, vol. 10, no. 1, 2009.
۴-T. Maryam, F. Nafiseh, L. Caro, and T. Fattaneh, “Artificial Neural Network Weights Optimization based on Imperialist Competitive Algorithm.
۵-R. Rajabioun, E. Atashpaz-Gargari, C. Lucas, Colonial Competitive Algorithm as a Tool for Nash Equilibrium Point Achievement, Springer Lecture Notes in Computer Science (LNCS). 680-695, 2008.
۶-A. Bonarini. Evolutionary learning of fuzzy rules: competition and coop- eration. In W. Pedrycz, editor, Fuzzy Modelling: Paradigms and Practice, pp. 265–۲۸۴٫ Norwell, MA: Kluwer Academic Press, 1996. 4.2.
۷-N. V. Chawla, “C4. 5 and imbalanced data sets: investigating the effect of sampling method, probabilistic estimate, and decision tree structure,” In Proceedings of the ICML (Vol. 3), 2003.
۸-J. Demsar, “Statistical comparisons of classifiers over multiple data sets”, The Journal of Machine Learning Research, vol. 7, pp. 1-30, 2006.
۹-J. Gomez, D. Dasgupta, O. Nasraoui, and F. Gonzalez. Complete expression trees for evolving fuzzy classifier systems with genetic algorithms. In Proceedings of the North American Fuzzy Information Processing Society Conference NAFIPS-FLINTS 2002, pages 469–۴۷۴, ۲۰۰۲٫
۱۰-A. A. Freitas. A survey of evolutionary algorithms for data mining and knowledge discovering. In Advances in Evolutionary Computation. A. Ghosh and S. Tsutsui. (Eds.). Springer-Verlag, 2001.
۱۱-A.Bonarini and V.Trianni, “Learnign classifier systems for multi-agent coordination Information Sciences”, 136:215-239, 2001.3.4.
۱۲-J.Casillas, B. Carse, L. Bull, ” Fuzzy-XCS: A Michigan Genetic Fuzzy System”, IEEE Transaction on Fuzzy Systems, Vol. 15, Issue 4, pp. 536-550, Aug 2007.
۱۳-T. Murata H. Ishibuchi and I.B.Turksen. Selecting linguistic classification rules by two-objective genetic algorithms. In Proceedings of the 1995 IEEE International Conference on Systems, Man and Cybernetics, pages 1410– ۱۴۱۵, Vancouver, Canada, October 1995. IEEE. 3.4.3.
۱۴-M. Russo, “GEFREX: A GEnetic Fuzzy Rule EXtractor”, International Journal of Knowledge-Based and Intelligent Engineering Ssytems, pp.49-59, 1999.
در این فصل به شرح کلیاتی پیرامون انگیزه ی انتخاب موضوع، طبقه بندی کننده های فازی و همچنین شرحی بر مسئله و کاربردها و چالش های میپردازد..
تاکنون دانشمندان حوزه داده کاوی تلاشهای بسیاری برای جداسازی صحیح نمونههای مشابه کردهاند. استخراج طبقهبندهای عام[۱] و قابل فهم از داده، نقش مهمی در بسیاری از حوزهها و مسائل است. تاکنون روشهای متعددی برای طبقهبندی[۲] و تشخیص الگو[۳] معرفی شدهاست. یکی از شیوههای موفق و منحصربهفرد در حوزه طبقهبندی و تشخیص الگوی دادههای ورودی، استفاده از تکنیکهای فازی برای تقسیمبندی نرم فضای ویژگی و بالطبع استفاده از یک معماری مؤثر در متصل کردن این زیرفضاها برای تصمیمگیری و طبقهبندی بهصورت فازی میباشد. طبقهبندی فازی پروسه گروه بندی عناصر داخل مجموعههای فازی با یک تابع عضویت[۴] است[۱]. در واقع، ابتدا فضای جستجو به بخشهایی قسمت بندی میشود به گونه ای که تمام فضا پوشش داده شود و سپس بر روی هرکدام از این زیرفضاها مجموعه فازی قرار میگیرد. اجتماعی از مجموعههای فازی که فضای فازی نامیده میشود، مقادیر زبانی فازی یا کلاسهای فازی را تعریف میکند که یک شی میتواند به آنها تعلق داشته باشد. پس از آن قوانین فازی اگر و آنگاه[۵] با توجه به نحوه تخصیص تولید میشوند. مدلسازی سیستمهای فازی بصورت مجموعهای از این قوانین نمایش داده میشود.
طبقهبندیکنندههای فازی دارای ویژگی منحصربفرد تفسیرپذیری هستند و قادرند دانش چگونگی تشخیص الگوها را برای یک فرد خبره بصورت یک دستورالعمل بازنمایی کنند. طبقهبندیکنندههای فازی چهار هدف اساسی را دنبال میکنند. دقت طبقهبندیکننده را بیشینه کنند، طبقهبندیکنندهی با بیشترین قابلیت تفسیرپذیری را ایجاد نمایند، پایداری طبقهبندیکننده را بیشینه کنند و حساسیت به نویز را کاهش دهند. تاکنون روشهای متفاوتی برای ایجاد قوانین، نحوه تخصیص زیرفضاها، نحوه استنتاج در هر قانون و در نهایت ادغام قوانین ارائهشده است. بدیهی است زبان طبیعی[۶] محور بودن ساختار قوانین فازی علیرغم استخراج دانش، مشکل اثبات ریاضی کارایی طبقهبندیکننده از جمله ارائه یک کران بالا[۷] برای خطای آموزش[۸] و خطای تست[۹] است. بهعبارتی افزایش عمومیسازی[۱۰] این طبقهبندیکنندهها بصورت ریاضی مانند طبقهبندی کننده تقویتی گروهی[۱۱] کار بسیار دشواری است. از اینرو اغلب از روشهای مکاشفهای[۱۲] و فوق مکاشفهای[۱۳] بهصورت سعی و خطا در تدوین قوانین و ادغام آنها استفاده میگردد، به این دلیل که زیرفضا را برای بهدستآوردن بهترین ترکیب قوانین جستجو میکنند [۲]-[۴] . ایشیبوشی[۱۴][۵] روشی را برای تخصیص فضا بهصورت تقسیمبندی منظم و تکراری ارائه کرد که میتوان از این روش بهعنوان یکی از موثرترین روشهای طبقهبندیکننده فازی که مبنای بسیاری از تحقیقات بعدی در این زمینه نیز شد، نام برد.
پروسه یادگیری یک سیستم طبقه بندی فازی باید مسایل مختلفی را حل کند تا یک سیستم طبقهبندی زبانی را با یک رفتار صحیح ایجاد نماید. از جمله اینکه بتواند، ۱- مجموعهای از قوانین فازی را ایجاد کند که دارای یک سطح لازم همکاری بین این قوانین فازی باشد. ۲- انتخاب یک تابع استنتاج که روشی را برای ترکیب اطلاعات بهدست آمده از قوانین فازی در کلاسهبندی نمونهها انتخاب میکند. ۳- در مسایل با ابعاد بالا، قوانین فازی از رشد نمایی در سایزشان رنج میبرند. دو مسئله اول، مربوط به پروسه استخراج دانش میشود که با پردازشهای یادگیری مختلف براساس الگوریتمهای تکرارشونده مانند شبکههای عصبی مصنوعی[۵-۶] یا الگوریتم ژنتیک [۲-۴]قابل حل است. گزینه سوم از دو جهت میتوان مدیریت کرد: با فشردهسازی و کاهش مجموعه قوانین، قوانین غیرضروری را با هدف ایجاد یک سیستم طبقهبندی با کارایی بالاتر حذف کرد. و راهکار دوم با پروسه انتخاب ویژگی انجام میگیرد.
به طور کلی، هدف مسئله، فراهم کردن یک چارچوب کلی برای تکامل قوانین فازی است. راهکارهای بسیاری در این زمینه ارائه شده، اما همه آنها حداقل در یکی از موارد زیر تفاوت دارند، تعداد قوانینی که در هر عضو جمعیت کد میشود، نوع بیان قوانین کدشده در هر عضو و نوع و هدف پروسه تکاملی .[۷-۸] این الگوریتمها شامل الگوریتمهای ژنتیک[۱۵]، بهینهسازی گروه ذرات[۱۶]، گداختگی شبیهسازی شده[۱۷] و… میباشند.
از آنجایی که الگوریتمهای تکاملی[۱۸] بهصورت چندعاملی[۱۹] جستجو را در فضای ویژگی انجام میدهند، نحوه گردش آنها تا حد ممکن بهصورت تصادفی میباشد. این خواص، الگوریتمهای تکاملی را به ابزار قوی برای انواع مسائل بهینهسازی تبدیل نموده است.[۲], [۴] از جمله مسائل مطرح در زمینه بهینهسازی، بهینهسازی ساختار و پارامترهای طبقهبندیکنندهها میباشد. بدیهی است هرچه یک طبقهبندیکننده پارامترهای بیشتری داشته باشد، تنظیم بهینه این پارامترها بهصورت دستی کاری بسیار دشوار، و در بعضی حالات غیرممکن میباشد. بدین خاطر از الگوریتمهای تکاملی برای یادگیری پارامترها و تعیین ساختار طبقهبندیکنندههای متفاوت بهصورت فراوان استفاده شده است. از جمله این تحقیقات میتوان به بهبود ساختار شبکه عصبی توسط الگوریتم ژنتیک اشاره کرد [۹] که الگوریتم ژنتیک سعی در هرس کردن ارتباط بین نورونها و بهنوعی لایهبندی آنها به منظور بهبود کارایی طبقهبندی، دارد.
مزیت ترکیب قوانین فازی و الگوریتمهای تکاملی این است که مجموعه قوانین ایجادشده دارای تفسیرپذیری بیشتری هستند و میتوانند با عدم قطعیت[۲۰] و ابهام مقابله کنند و همچنین میتوانند به صورت اکتشافی فضای ویژگی را جستجو کنند. به عنوان مثال در بخش ورودی نحوه تخصیصبندی فضاها و همچنین تعیین پارامترهای توابع عضویت (مانند شیب و واریانس)، از الگوریتمهای تکاملی استفاده شده است[۱۰].
[۱] general
[۲] Classification
[۳] pattern recognition
[۴] membership function
[۵] If-Then
[۶] natural language
[۷] upper bound
[۸] train error
[۹] test error
[۱۰] generalization
[۱۱] Boosting
[۱۲] heuristic
[۱۳] meta-heuristic
[۱۴] Ishibuchi
[۱۵] Genetic Algorithm
[۱۶] Particle Swarm Optimization
[۱۷] Simulated Annealing
[۱۸] Meta heuristic
[۱۹] multi-agent
[۲۰] uncertainty
تمامی فایل های پیشینه تحقیق و پرسشنامه و مقالات مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد. جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ را پرداخت نمایید.
ارسال نظر