دکتر رضا بوستانی

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی گردد

(در فایل دانلودی نام نویسنده موجود می باشد)

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

چکیده

استخراج طبقه­بند­های عام[1] و قابل فهم از داده، تأثیر مهمی در بسیاری از حوزه­ها و مسائل می باشد. تاکنون روش­های متعددی برای طبقه­بندی[2] و تشخیص الگو[3] معرفی شده ­می باشد. یکی از شیوه­های موفق و منحصربه­فرد در حوزه طبقه­بندی و تشخیص الگوی داده­های ورودی، بهره گیری از تکنیک­های فازی برای تقسیم­بندی نرم فضای ویژگی و بالطبع بهره گیری 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 نمود هنوز زمینه بسیار مهمی برای محققان می باشد.

در این مطالعه یک روش جدید برای وزن­دهی به قوانین فازی با بهره گیری از الگوریتم تکاملی رقابت استعماری ارائه شده می باشد تا بتوان قوانین مهم­تر را با بهره گیری 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 Ishibuchi برای فاز اول یعنی تولید قوانین و تکنیک رقابت استعماری برای فاز دوم یعنی وزن­دهی به آن­ها ارائه شده می باشد. در گام بعدی، تولید و تکامل قوانین فازی با الگوریتم رقابت استعماری پیشنهاد شده می باشد. این روش باعث افزایش کارایی طبقه­بندی کننده برای نرخ طبقه بندی می­گردد. درنهایت، هدف، ساختن یک مجموعه قانون فشرده با تعداد کم قوانین می باشد که این قوانین دارای طول کوتاه و در نتیجه تفسیرپذیری بالا هستند. دانلود متن کامل در سایت sabzfile.com

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

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- تبیین مسئله            4

 1-4- چالش­ها            5

   1-5- اهداف پایان نامه……. 7

 فصل دوم.

2- پیشینه پژوهش. 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 بهره گیری از الگوریتم ازدحام ذرات              24

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

    2-3-5- یادگیری سیستم­های طبقه بندی کننده فازی با بهره گیری 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 پژوهش  32

 3-1- مقدمه            33

 3-2- سیستم­های فازی            34

  3-2-1- سیستم­های استنتاج فازی            34

   سیستم­های فازی Mamdani.. 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 بهره گیری 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 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 سازی            61

  4-3-2-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده­های فازی            62

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

  1. مقدمه
    • در این فصل به تبیین 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 اختصار ذکر می­گردد.
  • مقدمه

تاکنون دانشمندان حوزه داده کاوی کوشش­های بسیاری برای جدا­سازی صحیح نمونه­های مشابه کرده­اند. استخراج طبقه­بند­های عام[1] و قابل فهم از داده، تأثیر مهمی در بسیاری از حوزه­ها و مسائل می باشد. تاکنون روش­های متعددی برای طبقه­بندی[2] و تشخیص الگو[3] معرفی شده­می باشد. یکی از شیوه­های موفق و منحصربه­فرد در حوزه طبقه­بندی و تشخیص الگوی داده­های ورودی، بهره گیری از تکنیک­های فازی برای تقسیم­بندی نرم فضای ویژگی و بالطبع بهره گیری 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[4] می باشد[1]. در واقع، آغاز فضای جستجو به بخش­هایی قسمت بندی می­گردد به گونه ای که تمام فضا پوشش داده گردد و سپس بر روی هرکدام از این زیر­فضا­ها مجموعه فازی قرار می­گیرد. اجتماعی از مجموعه­های فازی که فضای فازی نامیده می­گردد، 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[5] با در نظر داشتن چگونگی تخصیص تولید می­شوند. مدل­سازی سیستم­های فازی بصورت مجموعه­ای از این قوانین نمایش داده می­گردد.

  • انگیزه

 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، چگونگی تخصیص زیرفضاها، چگونگی استنتاج در هر قانون و در نهایت ادغام قوانین ارائه­شده می باشد. بدیهی می باشد زبان طبیعی[6] محور بودن ساختار قوانین فازی علیرغم استخراج دانش، مشکل اثبات ریاضی کارایی طبقه­بندی­کننده مانند ارائه یک کران­ بالا[7] برای خطای آموزش[8] و خطای تست[9] می باشد. به­عبارتی افزایش عمومی­سازی[10] این طبقه­بندی­کننده­ها بصورت ریاضی مانند طبقه­بندی کننده تقویتی گروهی[11] کار بسیار دشواری می باشد. از این­رو اغلب از روش­های مکاشفه­ای[12] و فوق مکاشفه­ای[13] به­صورت کوشش و خطا در تدوین قوانین و ادغام آن­ها بهره گیری می­گردد، به این دلیل که زیرفضا را برای به­دست­آوردن بهترین ترکیب قوانین جستجو می­کنند [2]-[4] . ایشیبوشی[14][5] روشی را برای تخصیص فضا به­صورت تقسیم­بندی منظم و تکراری ارائه نمود که می­توان از این روش به­عنوان یکی از موثرترین روش­های طبقه­بندی­کننده فازی که مبنای بسیاری از تحقیقات بعدی در این زمینه نیز گردید، نام برد.

  • تبیین مسئله

پروسه یادگیری یک سیستم طبقه­بندی فازی بایستی مسایل مختلفی را حل کند تا یک سیستم طبقه­بندی زبانی را با یک رفتار صحیح ایجاد نماید. مانند 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 می­گردد که با پردازش­های یادگیری مختلف براساس الگوریتم­های تکرار­شونده  مانند شبکه­های عصبی مصنوعی[5-6] یا الگوریتم ژنتیک [2-4]قابل حل می باشد. گزینه سوم از دو جهت می­توان مدیریت نمود: با فشرده­سازی و کاهش مجموعه قوانین، قوانین غیرضروری را با هدف ایجاد یک سیستم طبقه­بندی با کارایی بالاتر حذف نمود. و راهکار دوم با پروسه انتخاب ویژگی انجام می­گیرد.
جستجو در سایت :   


به گونه کلی، هدف مسئله، فراهم کردن یک چارچوب کلی برای تکامل قوانین فازی می باشد. راهکار­های بسیاری در این زمینه ارائه شده، اما همه آن­ها حداقل در یکی از موردها زیر تفاوت دارند، تعداد قوانینی که در هر عضو جمعیت کد می­گردد، نوع اظهار 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.

از آنجایی که الگوریتم­های تکاملی[18] به­صورت چند­عاملی[19] جستجو را در فضای ویژگی انجام می­دهند، چگونگی گردش آن­ها تا حد ممکن به­صورت تصادفی می­باشد. این خواص، الگوریتم­های تکاملی را به ابزار قوی برای انواع مسائل بهینه­سازی تبدیل نموده می باشد.[2], [4]  مانند مسائل مطرح در زمینه بهینه­سازی، بهینه­سازی ساختار و پارامتر­های طبقه­بندی­کننده­ها می­باشد. بدیهی می باشد 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 بهره گیری شده می باشد. مانند این تحقیقات می­توان به بهبود ساختار شبکه عصبی توسط الگوریتم ژنتیک تصریح نمود [9] که الگوریتم ژنتیک کوشش در هرس کردن ارتباط بین نورون­ها و به­نوعی لایه­بندی آن­ها به مقصود بهبود کارایی طبقه­بندی، دارد.

مزیت ترکیب قوانین فازی و الگوریتم­های تکاملی این می باشد که مجموعه قوانین ایجاد­شده دارای تفسیر­پذیری بیش­تری هستند و می­توانند با عدم قطعیت[20] و ابهام مقابله کنند و همچنین می­توانند به صورت اکتشافی فضای ویژگی را جستجو کنند. به عنوان مثال در بخش ورودی چگونگی تخصیص­بندی فضاها و همچنین تعیین پارامتر­های توابع عضویت (مانند شیب و واریانس)، از الگوریتم­های تکاملی بهره گیری شده می باشد[10].

چالش­ها

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه ارشد رشته هوش مصنوعی: شناسایی نفوذگران با کمک مفهوم شبکه اجتماعی

با در نظر داشتن این که اغلب روشهای عمده و شناخته شده محاسبات تکاملی، شبیه‌سازی کامپیوتری فرایندهای طبیعی و زیستی هستند، در این نوشتار، از یک روش ترکیبی برای بهبود طبقه­بندی­کننده­های فازی ارائه می­گردد که برای بهبود یادگیری پارامتر­های آن الگوریتم تکاملی رقابت استعماری [11] اقتباس شده می باشد. این پایان­نامه، الگوریتم رقابت امپریالیستی [21]را برای هدف استخراج کلاسه­بند­های عام و قابل فهم از داده در شکل یک سیستم قانون ارائه می­کند. در این پژوهش کوشش در ارائه ساختار جدیدی بر روی بستر فازی هستیم که در آن ساختار، توزیع قوانین از الگوریتم رقابت استعماری[22] اقتباس شده و لیکن روح قوانین به­صورت فازی می باشد. ضمنأ به­دلیل ایجاد هارمونی مناسب در بهینه­سازی ساختار قوانین و همچنین ادغام قوانین، بهره گیری از الگوریتم بهینه­سازی رقابت استعماری پیشنهاد می­گردد.

در این الگوریتم چند نمونه که دارای اندازه برازندگی[23] بالایی می­باشند (امپریالیست[24]) و مرکز امپراطوری­ها هستند، کوشش در کشاندن بقیه نمونه­ها (مستعمره)[25] به سمت خود دارند. این الگوریتم را می­توان نوع بهبود یافته الگوریتم ازدحام ذرات در نظر گرفت. خاطر نشان می گردد که الگوریتم ازدحام ذرات علیرغم سرعت همگرایی بالای آن، احتمال بایاس شدن آن بسیار زیاد می­باشد. زیرا اندازه تصادفی بودن[26] آن در حین جستجو پایین بوده و بسیار بایاس­دار حرکت می­کند. درصورتیکه الگوریتم رقابت استعماری این مسئله را به این شیوه حل کرده می باشد که هر نمونه به­جای حرکت در جهت برآیند دو نقطه با برازندگی­های مناسب، به یکی از چند نقطه­ای اختصاص داده می­گردد که بهینه محلی (امپریالیست) اطلاق می­شوند.

 از آن­جا که ساختار این الگوریتم به­صورت چند­حوزه­ای می­باشد، بکارگیری آن برای ساختار­بندی قوانین فازی این خاصیت را به­همراه خواهد داشت که یک مجموعه قوانین بر روی یک زیرفضا کار کند نه تنها روی یک قانون. به­عبارت دیگر بهره گیری از یک قانون برای تصمیم­گیری در ارتباط با یک زیرفضا حتی با داشتن هم­پوشانی[27] با زیرفضاهای همسایه باعث خاص[28] شدن آن قانون و به­نوعی بایاس قانون و آن زیرفضای خاص شده و در مورد سایر نمونه­هایی که دور از آن زیرفضا هستند، نمی­تواند تصمیم­گیری مناسبی را به­اقدام آورد که همین امر باعث بیش­سازگاری[29]و کمبود عمومی­سازی توابع فازی می­گردد. پیش روی، الگوریتم یادگیری استعماری از تخصیص یک قانون به یک زیرفضای خاص جلوگیری کرده و حتی زیرفضاهایی که یک مستعمره از قوانین درمورد آن تصمیم می­گیرند، دارای ابعاد بسیار وسیع­تری نسبت به زیرفضای تخصیص­شده به هر قانون در مقایسه با روش­های قبلی دارد. ضمنأ هنگامی­که قوانین به­صورت دسته­های مختلفی از مستعمره­های متفاوت بر روی کل فضا اقدام می­کنند، می­توان آن را جزو الگوریتم­های توزیع­شده در نظر گرفت. توانایی بهینه­سازی این الگوریتم نسبت به الگوریتم­های بهینه­سازی پیشین هم­تراز و یا حتی بالاتر می باشد و سرعت رسیدن به جواب بهینه نیز مناسب می باشد.

اهداف پایان­نامه

در این رساله می­خواهیم یک مجموعه از قوانین انعطاف­پذیر فازی را با بهره گیری از الگوریتم رقابت استعماری که پیش از این ذکر گردید، ایجاد نماییم. با این هدف که کارایی طبقه­بندی­کننده و تفسیر پذیری قوانین تولید شده حداکثر گردد و در عین­حال نویز پذیری کمینه نسبت به طبقه­بندی­کننده­های آماری و نیز عمومی­سازی بسیار مناسبی را ارائه نماید. در واقع در این مسئله می­خواهیم مجموعه­ای از بهترین قوانین با انعطاف پذیری بالا که بیانگر انتخاب بهترین ویژگی­هاست را با بهره گیری از الگوریتم نوپای رقابت استعماری به­دست آوریم. نکته مهم در این رساله، چگونگی تخصیص زیرفضا، ساخت قوانین و در نهایت ادغام آن­ها در یک پروسه بهینه­سازی استعماری می باشد. به­گونه­کلی در این پژوهش:

  • چندین طرح کلی کدگذاری برای نمایش قوانین به شکل رشته­ای از بیت­ها ارائه می­دهد.
  • یک تابع برازش برای ارزیابی کارایی اعضا یا همان قوانین فازی تعریف می­کند.
  • تصحیحی در عملگر­های الگوریتم رقابت استعماری برای بهره گیری بهینه در سیستم­های فازی ارائه می­دهد.
  • زیرفضای تخصیص­داده­شده برای هر قانون را توسعه می­دهد و درنتیجه افزایش نسبی عمومی­سازی را منجر می­گردد.

مطالب مربوط به این رساله در پنج فصل به تبیین زیر می‌باشد.

فصل دوم. در این فصل تحقیقات انجام شده را بحث می­کند و برای هر روش مزایا و معایب آن­ها را به­صورت جداگانه برمی­شمرد.‌

فصل سوم. در این فصل متدولوژی که عبارتند از روش­های ارائه شده و روش­های پیشین را به صورت فرمولی و شبه کد تبیین می­دهد.

فصل چهارم. در فصل چهارم نتایج به­دست آمده ارائه می­گردد.

فصل پنجم. کار­های پیش رو و اهداف آینده مطالعه می­گردد.

تعداد صفحه :106

قیمت : 14700 تومان

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می گردد.

پشتیبانی سایت :        ****       serderehi@gmail.com

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  **** ***