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.

فهرست مطالب

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

منابع

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.

فصل اول:

مقدمه

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.

شرح مسئله

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.