دانلود پرفروش ترین فایل ها# فورکیا # اینترنت#فایل سل#

فایل های پرفروش فورکیا و اینترنت را دانلود کنید(فایل های در این وبسایت قرار داده می شودکه تضمینی و مطمئن هستن ،اگر غیر از این بود به مدیریت اطلاع دهید)سعی شده فایل های دارای ضمانت معتبر گلچین بشه ولی تصمیم با شماست.موفق باشید
4kia.ir

دانلود پرفروش ترین فایل ها# فورکیا # اینترنت#فایل سل#

فایل های پرفروش فورکیا و اینترنت را دانلود کنید(فایل های در این وبسایت قرار داده می شودکه تضمینی و مطمئن هستن ،اگر غیر از این بود به مدیریت اطلاع دهید)سعی شده فایل های دارای ضمانت معتبر گلچین بشه ولی تصمیم با شماست.موفق باشید

شما در این سایت میتوانید به راحتی بهترین فایل ها که دارای ضمانت می باشند را دانلود کنید(فایل سل،فورکیا،همیار دانشجو و....)
بهترین های اینترنت را در این وب سایت بیابید.
طبقه بندی موضوعی


بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری WORD

استخراج طبقه­بند­های عام[1] و قابل فهم از داده، نقش مهمی در بسیاری از حوزه­ها و مسائل است. تاکنون روش­های متعددی برای طبقه­بندی[2] و تشخیص الگو[3] معرفی شده ­است. 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. اینکه بتوان بهترین و کارا ترین قوانین فازی را از روی داده استخراج کرد هنوز زمینه بسیار مهمی برای محققان است.

در این مطالعه یک روش نوین برای وزن­دهی به قوانین فازی با استفاده از الگوریتم تکاملی رقابت استعماری ارائه شده است تا بتوان قوانین مهم­تر را با استفاده از وزن­های بهینه شده بیش­تر در نظر گرفت. در این پایان­نامه، عملگرهای الگوریتم رقابت استعماری برای ساختن مناسب قوانین فازی مجددا تعریف می­شوند

درواقع تکنیک Ishibuchiبرای فاز اول یعنی تولید قوانین و تکنیک رقابت استعماری برای فاز دوم یعنی وزن­دهی به آن­ها ارائه شده است. در گام بعدی، تولید و تکامل قوانین فازی با الگوریتم رقابت استعماری پیشنهاد شده است. این روش باعث افزایش کارایی طبقه­بندی کننده برای نرخ طبقه بندی می­شود. درنهایت، هدف، ساختن یک مجموعه قانون فشرده با تعداد کم قوانین است که این قوانین دارای طول کوتاه و در نتیجه تفسیرپذیری بالا هستند.

الگوریتم پیشنهادی با طبقه بندی کننده­های پایه غیرفازی مانند SVM، C4.5، 1NN و Naive Bayes و الگوریتم­های طبقه بندی کننده فازی که توضیح داده خواهد شد مقایسه و ارزیابی می­شود.

 واژه­های کلیدی: طبقه­بندی، تشخیص الگو، الگوریتم رقابت استعماری، طبقه بندی کننده­های فازی، طبقه بندی کننده­های غیر فازی، وزن­دهی قوانین.

 فهرست مطالب

 عنوان صفحه

فصل اول

1-مقدمه.......................................... 2

1-1- مقدمه....................................... 2

1-2- انگیزه..................................... 3

1-3- شرح مسئله.................................. 4

1-4- چالش­ها..................................... 5

1-5- اهداف پایان نامه........................... 7

 

فصل دوم.

2- پیشینه تحقیق.................................. 9

2-1- مقدمه..................................... 10

2-2- حوزه تکامل قوانین فازی.................... 11

2-3-یادگیری سیستم­های طبقه بندی کننده فازی...... 12

2-3-1- یادگیری سیستم­های طبقه بندی کننده فازی بر اساس الگوریتم ژنتیک.......................................... 12

2-3-2- الگوریتم­های تکامل همزمان............. 22

2-3-3-یادگیری سیستم­های طبقه بندی کننده فازی با استفاده از الگوریتم ازدحام ذرات .......................... 24

2-3-4- یادگیری سیستم­های طبقه بندی کننده فازی با استفاده از الگوریتم زنبور عسل............................. 25

2-3-5- یادگیری سیستم­های طبقه بندی کننده فازی با استفاده از الگوریتم مورچگان ........................... 26

2-4- الگوریتم رقابت استعماری................... 26

2-4-1- ویژگی­های الگوریتم رقابت استعماری......... 28

2-4-2-کاربرد­های الگوریتم رقابت استعماری........ 28

2-5-جمع بندی .............................. 30

فصل سوم

3- روش تحقیق ................................... 32

3-1- مقدمه .................................... 33

3-2- سیستم­های فازی............................. 34

3-2-1-سیستم­های استنتاج فازی.................. 34

سیستم­های فازیMamdani............................................................. 34

سیستم­های فازی Sugeno..................... 35

سیستم­های فازی Tsukamato................... 35

3-2-2- طبقه بندی کننده­های فازی............... 36

تابع استدلال فازی.......................... 36

معیار ارزیابی قوانین ................ 38

3-3- الگوریتم CORE ............................ 39

3-4- الگوریتم جزیره ای Ishibuchi برای استخراج قوانین 39

3-5- الگوریتم GBML-IVFS-amp .................... 41

3-6- الگوریتم GNP برای وزن­دهی به قوانین فازی ... 42

3-7- الگوریتم TARGET .......................... 42

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 فازی52

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 داده­ها ............................. 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 سازی61

4-3-2-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده­های فازی62

4-3-3-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده­های غیر فازی66

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

 

فهرست جداول

 عنوان صفحه

جدول 2-1-مقایسه خطای الگوریتم . 16

جدول 2-2-ارزیابی SGERD. 20

جدول 2-3-نرخ طبقه بندی، تعداد قوانین و زمان محاسباتی در SLAVE 21

جدول 2-4-نتایج ارزیابی الگوریتم . 21

جدول 2-5MSE و R2 برای ICA و ICA-NN 29

جدول 4-1-مجموعه داده KEEL 60

جدول 4-2-مجموعه داده UCI 61

جدول 4-3-پارامتر­های استفاده شده در الگوریتم وزن دهی به قوانین 62

جدول 4-4-مقایسه الگوریتم وزن دهی پیشنهادی با دیگر الگوریتم­های تکاملی 63

جدول 4-5-نتایج نرخ خطای روش پیشنهادی در مقایسه با الگوریتم­های TARGET و Chi-IVFS-Amp 64

جدول 4-6-مقایسه الگوریتم وزن­دهی با چندین تابع فازی 65

جدول 4-7-میانگین رتبه بندی برای 4 روش مقایسه شده روی 11 مجموعه داده 66

جدول 4-8-نتایج تست فردمن و تست تعقیبی Bonferoni-Dunn 66

جدول 4-9-نتایج خطای بدست آمده از ارزیابی الگوریتم پیشنهادی با چندین تابع غیرفازی 67

جدول 4-10-میانگین رتبه بندی برای 4 روش مقایسه شده روی 8 مجموعه داده67

جدول 4-11--نتایج تست فردمن و تست تعقیبی Bonferoni-Dunn 67

جدول 4-12پارامتر­های مورد استفاده در الگوریتم پیشنهادی یادگیری سیستم فازی............................................ 69

جدول 4-13-مقایسه نرخ خطای الگوریتم یادگیری قوانین فازیبا توابع فازی70

جدول 4-14-طول قوانین و تعداد قوانین بدست آمده در الگوریتم پیشنهادی یادگیری 71

جدول 4-15میانگین رتبه بندی برای روش­های مقایسه شده روی 10مجموعه داده71

جدول 4-16-نتایج تست فردمن و تست تعقیبی Bonferoni-DunN71

جدول 4-17نتایج بدست آمده از ارزیابی الگوریتم پیشنهادی با توابع غیرفازی72

جدول 4-18میانگین رتبه بندی برای 4 روش مقایسه شده روی 8 مجموعه داده72

جدول 4-19نتایج تست فردمن و تست تعقیبی Bonferoni-DunN73

 

فهرست شکل ها

 عنوان صفحه

شکل 2-1-نمودار نرخ dont care در داده Wine13

شکل 2-2-نمودار نرخ طبقه بندی در داده Wine. 13

شکل 2-3-نحوه کدینگ اعضای جمعیت در راهکار Michigan و Pittsburgh.. 14

شکل 2-4- میانگین نرخ طبقه بندی.. 15

شکل 2-5-IVFS در الگوریتم ژنتیک و IVFS در الگوریتم Herrera. 17

شکل 2-6-کارایی SGERD روی داده Wine. 19

شکل 2-7- کارایی SGERD روی داده iris. 19

شکل 2-8-ساختار جمعیت و لینک های تکامل در الگوریتم CORE 23

شکل 2-9-نمودار نرخ خطای داده satimage. 24

شکل 2-10-شبه کد الگوریتم M-PSO.. 25

شکل 2-11-نمودار برازش بهینه و متوسط برازش در الگوریتم ژنتیک، PSO و الگوریتم رقابت استعماری.......................... 27

شکل 3-1-نحوه بخش بندی فضای ویژگی و قوانین فازی تولید شده روی داده­ها 38

شکل 3-2-شبه کد الگوریتمCORE.. 39

شکل 3-3-شبه کد الگوریتم جزیره ایIshibuchi40

شکل 3-4-شبه کد الگوریتمGBML-IVFS-Amp. 41

شکل 3-5-فلوچارت الگوریتم GNP برای یافتن عبارات بهینه.. 42

شکل 3-6-بخش بندی­های متفاوت برروی یک مشخصه.. 43

شکل 3-7-شبه کد الگوریتمSGERD.. 44

شکل 3-8-فلوچارت الگوریتم رقابت استعماری.. 47

شکل 3-9-شبه کد الگوریتم پیشنهادی وزن­دهی.. 50

شکل 3-10-بخش بندی­های متفاوت برروی یک مشخصه.. 53

شکل 3-11-شبه کد الگوریتم پیشنهادی برای یادگیری قوانین فازی 55

 

شکل 4-1-فازی ست­های مورد استفاده روی هر مشخصه...... 69

 

 مقدمه

 شکل 1-1.

(1-1)

 1. مقدمه

در این فصل به شرح کلیاتی پیرامون انگیزه ی انتخاب موضوع، طبقه­بندی کننده­های فازی و همچنین شرحی بر مسئله و کاربردها و چالش های می­پردازد. در انتهای فصل نیز اهداف پایان­نامه به صورت خلاصه ذکر می­شود.

1-1. مقدمه

تاکنون دانشمندان حوزه داده کاوی تلاش­های بسیاری برای جدا­سازی صحیح نمونه­های مشابه کرده­اند. استخراج طبقه­بند­های عام[4] و قابل فهم از داده، نقش مهمی در بسیاری از حوزه­ها و مسائل است. تاکنون روش­های متعددی برای طبقه­بندی[5] و تشخیص الگو[6] 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[7] 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 می­کند که یک شی می­تواند به آن­ها تعلق داشته باشد. پس از آن قوانین فازی اگر و آنگاه[8] با توجه به نحوه تخصیص تولید می­شوند. مدل­سازی سیستم­های فازی بصورت مجموعه­ای از این قوانین نمایش داده می­شود.

1-2. انگیزه

طبقه­بندی­کننده­های فازیدارای 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 استزبان طبیعی[9] محور بودن ساختار قوانین فازی علیرغم استخراج دانش، مشکل اثبات ریاضی کارایی طبقه­بندی­کننده از جمله ارائه یک کران­ بالا[10] برای خطای آموزش[11] و خطای تست[12] است. به­عبارتی افزایش عمومی­سازی[13] این طبقه­بندی­کننده­ها بصورت ریاضی مانند طبقه­بندی کننده تقویتی گروهی[14] کار بسیار دشواری است. از این­رو اغلب از روش­های مکاشفه­ای[15]و فوق مکاشفه­ای[16] 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 [2]-[4] . ایشیبوشی[17][5] 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.

1-3. شرح مسئله

پروسه یادگیری یک سیستم طبقه­بندی فازی باید مسایل مختلفی را حل کند تا یک سیستم طبقه­بندی زبانی را با یک رفتار صحیح ایجاد نماید. از جمله اینکه بتواند، 1- مجموعه­ای 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 می­کند. 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 شبکه­های 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 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 جمعیتکد می­شود، نوع بیان قوانین کد­شده در هر عضو و نوع و هدف پروسه تکاملی .[7-8] این الگوریتم‌ها شامل الگوریتم‌های ژنتیک[18]، بهینه‌سازی گروه ذرات[19]، گداختگی شبیه‌سازی شده[20] و... می‌باشند.

از آنجایی که الگوریتم­های تکاملی[21] به­صورت چند­عاملی[22] 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.[2], [4] 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 [9] که الگوریتم ژنتیک سعی در هرس کردن ارتباط بین نورون­ها و به­نوعی لایه­بندی آن­ها به منظور بهبود کارایی طبقه­بندی، دارد.



جهت کپی مطلب از ctrl+A استفاده نمایید نماید



نظرات  (۰)

هیچ نظری هنوز ثبت نشده است

ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی