3-8- الگوریتم SGERD 43
3-9- الگوریتم رقابت استعماری 44
3-9-1- مقدرادهی اولیه امپراطوریها 45
3-9-2- عملگر Assimilation 46
3-9-3- استراتژیهای بهینه سازی میتنی بر تکامل اجتماعی-سیاسی 47
3-10- الگوریتمهای پیشنهادی 48
3-10-1- هدف استفاده از ICA برای الگوریتم پیشنهادی 48
3-10-2- وزندهی به قوانین فازی 48
3-10-3- الگوریتم پیشنهادی برای تکامل قوانین فازی…. 52
قوانین خاص و عام…… 52
روش پیشنهادی برای تولید قوانین فازی …….. 53
تابع برازش پیشنهادی…….. 54
3-11-جمع بندی 57
فصل چهارم
نتایج آزمایشات.. 58
4-1- معیارهای ارزیابی 59
4-2-مجموعه داده ها 60
4-2-1-مجموعه داده KEEL 60
4-2-2-مجموعه داده UCI 61
4-3- الگوریتم پیشنهادی برای وزندهی به قوانین 61
4-3-1-پارامترها و تنظیمات سیستم در پیاده سازی 61
4-3-2-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده های فازی 62
4-3-3-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده های غیر فازی 66
4-4- الگوریتم پیشنهادی برای تولید قوانین فازی بهینه 68
4-4-1-پارامترها و تنظیمات سیستم در پیاده سازی یادگیری ساختار قوانین فازی 68
4-4-2-انتخاب ویژگی 69
4-4-3-ارزیابی الگوریتم یادگیری ساختار قوانین با روشهای فازی 70
. 4-4-4-ارزیابی الگوریتم با روشهای غیر فازی 72
.. 4-5- جمع بندی 73
فصل پنجم
جمع بندی و پیشنهادات………….. 76
اختصارات………….. 78
واژهنامه فارسی به انگلیسی……………………………… 79
واژه نامه انگلیسی به فارسی…………. 80
فهرست منابع………….82
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 می پردازد. در انتهای فصل نیز اهداف پایان نامه به صورت خلاصه ذکر میشود.
- مقدمه
تاکنون دانشمندان حوزه داده کاوی تلاشهای بسیاری برای جداسازی صحیح نمونههای مشابه کردهاند. استخراج طبقهبندهای عام[1] و قابل فهم از داده، نقش مهمی در بسیاری از حوزهها و مسائل است. تاکنون روشهای متعددی برای طبقه بندی[2] و تشخیص الگو[3] معرفی شدهاست. یکی از شیوه های موفق و منحصربهفرد در حوزه طبقه بندی و تشخیص الگوی داده های ورودی، استفاده از تکنیکهای فازی برای تقسیمبندی نرم فضای ویژگی و بالطبع استفاده از یک معماری مؤثر در متصل کردن این زیرفضاها برای تصمیم گیری و طبقه بندی بهصورت فازی میباشد. طبقه بندی فازی پروسه گروه بندی عناصر داخل مجموعههای فازی با یک تابع عضویت[4] است[1]. 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 می کند که یک شی می تواند به آنها تعلق داشته باشد. پس از آن قوانین فازی اگر و آنگاه[5] با توجه به نحوه تخصیص تولید میشوند. مدلسازی سیستمهای فازی بصورت مجموعه ای از این قوانین نمایش داده میشود.
- انگیزه
طبقه بندیکننده های فازی دارای ویژگی منحصربفرد تفسیرپذیری هستند و قادرند دانش چگونگی تشخیص الگوها را برای یک فرد خبره بصورت یک دستورالعمل بازنمایی کنند. طبقه بندیکننده های فازی چهار هدف اساسی را دنبال می کنند. دقت طبقه بندیکننده را بیشینه کنند، طبقه بندیکننده با بیشترین قابلیت تفسیرپذیری را ایجاد نمایند، پایداری طبقه بندیکننده 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 ارائه شده است. بدیهی است زبان طبیعی[6] محور بودن ساختار قوانین فازی علیرغم
این مطلب را هم بخوانید :
استخراج دانش، مشکل اثبات ریاضی کارایی طبقه بندیکننده از جمله ارائه یک کران بالا[7] برای خطای آموزش[8] و خطای تست[9] است. بهعبارتی افزایش عمومیسازی[10] این طبقه بندیکنندهها بصورت ریاضی مانند طبقه بندی کننده تقویتی گروهی[11] کار بسیار دشواری است. از اینرو اغلب از روشهای مکاشفهای[12] و فوق مکاشفهای[13] بهصورت سعی و خطا در تدوین قوانین و ادغام آنها استفاده میگردد، به این دلیل که زیرفضا را برای بهدستآوردن بهترین ترکیب قوانین جستجو می کنند [2]-[4] . ایشیبوشی[14][5] روشی را برای تخصیص فضا بهصورت تقسیمبندی منظم و تکراری ارائه کرد که میتوان از این روش بهعنوان یکی از موثرترین روشهای طبقه بندیکننده 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 طبقه بندی زبانی را با یک رفتار صحیح ایجاد نماید. از جمله اینکه بتواند، 1- مجموعه ای از قوانین فازی را ایجاد کند که دارای یک سطح لازم همکاری بین این قوانین فازی باشد. 2- انتخاب یک تابع استنتاج که روشی را برای ترکیب اطلاعات بهدست آمده از قوانین فازی در کلاسهبندی نمونهها انتخاب می کند. 3- 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 شبکه های عصبی مصنوعی[5-6] یا الگوریتم ژنتیک [2-4]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 طبقه بندی 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 .[7-8] این الگوریتمها شامل الگوریتمهای ژنتیک[15]، بهینهسازی گروه ذرات[16]، گداختگی شبیهسازی شده[17] و… میباشند.