فروشگاه

توضیحات

انتخاب عملگر در درختان الگوی فازی
دانلود پایان نامه کارشناسی ارشد مهندسی صنایع موضوع جدید پروپوزال سمینار پایانی

دسته بندی یکی از مهمترین مسائل در حوزه ی داده کاوی بوده و داده کاوی خود پل ارتباطی میان علم آمار، علم کامپیوتر، هوش مصنوعی، تشخیص الگو و یادگیری ماشین می‌باشد. دسته بندی فازی یکی از مهمترین کاربردها در مجموعه فازی و پژوهش های مرتبط با منطق فازی است که هدف آن

یافتن مجموعه ای از قوانینی است که از یک مدل دسته بندی استخراج می شوند. درختان الگوی فازی اخیرا به عنوان روش نوینی در دسته بندی برای

حوزه ی یادگیری ماشین معرفی شده اند که ساختاری سلسله مراتبی و درختی دارند که گره های داخلی آن ها با عملگرهای فازی، معین شده و گره

های برگ آن ها همان ویژگی های ورودی می باشند که به شکل فازی مستند شده اند. عملگرهای فازی در این نوع درختان تاثیر بسزایی در بهبود

عملکرد و درستی نتایج به دست آمده ایجاد می کنند. بیشتر روش های یادگیری استقرای فازی (برای مثال درختان تصمیم فازی) روی جستجوی قوانینی

که تنها شامل نرم های مثلثی (t-نرم ها) اند تمرکز می کنند و از همنرم های مثلثی (t-همنرم ها) استفاده نمی نمایند، که این ممکن است مانع از ایجاد

انتخاب عملگر در درختان الگوی فازی

قوانین مهمی شود که می توانستند توسط t-همنرم ها ایجاد گردند. البته این مشکل توسط ارائه ی درختان الگوی فازی و استفاده ی همزمان آن ها از t-

نرم ها و t-همنرم ها حل شده است ولی مسئله ی دیگری که در ارتباط با انواع عملگرهایی که در درختان الگوی فازی همچنان باقی مانده است،

استفاده از تعداد محدودی از انواع عملگرهای t-نرم و t-همنرم است. استفاده از خانواده عملگرهای پارامتری، شاید به دلیل پیچیدگی محاسباتی بیشتر،

نادیده انگاشته شده اند که همین امر موجب بررسی حوزه ی محدودی در انواع عملگرها می شود. در این پژوهش راه حلی برای رفع این مشکل ارائه

شده است. راه حلی که موجب می شود بتوانیم بهینه ترین پارامترها را برای عملگرهای ادغام فازی انتخاب کرده و گونه ای از درخت الگوی فازی را ارائه

دهیم که طیف وسیعی از عملگرها را شامل می شود و همچنین استفاده از آن دقت بیشتری در عملکرد درختان الگوی فازی، ارائه می نماید.

 

کلمات کلیدی: داده کاوی، یادگیری ماشین، دسته بندی، درخت الگو فازی، عملگرهای منطقی پارامترایز ، جستجوی اکتشافی و تنظیم پارامتر.

 

۱۹۸صفحه فایل ورد (Word) فونت ۱۴ منابع دارد

 

پس از پرداخت آنلاین میتوانید فایل کامل این پروژه را دانلود کنید 

انتخاب عملگر در درختان الگوی فازی
انتخاب عملگر در درختان الگوی فازی

 

 

فهرست مطالب پایان نامه فوق العاده جامع و کامل انتخاب عملگر در درختان الگوی فازی

۱ فصل اول : مقدمه ۱
۱-۱ مقدمه ۲
۱-۲ تعریف مسئله و سوالات اصلی تحقیق ۳
۱-۳ فرضیه ها ۴
۱-۴ موضوع و اهداف پژوهش ۴

 

 

 

 

انتخاب عملگر در درختان الگوی فازی

۱-۵ روش تحقیق ۴
۱-۶ جنبه های نوآوری ۵
۱-۷ پیشینه ی تحقیق ۵
۱-۸ ساختار پایان نامه ۷
۲ فصل دوم : ادبیات تحقیق ۸
۲-۱ مقدمه ۹

۲-۲ تئوری مجموعه های فازی ۹
۲-۲-۱ مجموعه های فازی ۱۰
۲-۲-۲ عملیات پایه روی مجموعه های فازی ۱۳
۲-۲-۳ خواص مجموعه های فازی ۱۴

۲-۲-۴ توسعه عملیات بر روی مجموعه های فازی ۱۵
۲-۲-۵ عملگرهای جبری ۱۷
۲-۲-۶ عملگرهای تئوری مجموعه ۱۹
۲-۲-۶-۱ تعریف t-نرم ها ۱۹
۲-۲-۶-۲ تعریف t-همنرم ها ۲۰

۲-۲-۶-۳ تعریف اشتراک و اجتماع هاماچر ۲۳

انتخاب عملگر در درختان الگوی فازی

۲-۲-۶-۴ تعریف اشتراک و اجتماع یاگر ۲۴

۲-۲-۶-۵ تعریف اشتراک و اجتماع دبویز و پرید ۲۵

۲-۲-۶-۶ تعریف اشتراک و اجتماع دامبی ۲۷

۲-۲-۶-۷ تعریف عملگرهای میانگین ۲۸

۲-۲-۶-۸ تعریف معیار “یا بودن” و “و بودن” ۳۱
۲-۲-۷ معیارهای انتخاب عملگرهای مناسب ۳۴

 

۲-۳ داده کاوی ۳۹

۲-۳-۱ فرآیند کشف دانش ۳۹

۲-۳-۲ چالش هایی برای کشف دانش ۴۱

۲-۳-۳ طبقه بندی روش های داده کاوی ۴۲

۲-۳-۳-۱ دسته بندی ۴۴

۲-۳-۳-۲ رگرسیون ۴۴

۲-۳-۳-۳ خوشه بندی ۴۵

 

۲-۳-۳-۴ تلخیص(خلاصه سازی) ۴۵

۲-۳-۳-۵ مدلسازی وابستگی ۴۶

۲-۳-۴ مفاهیم یادگیری استقرایی ۴۶

۲-۴ یادگیری درختان تصمیم ۴۸

۲-۴-۱ مشخصه های درختان تصمیم دسته بندی کننده ۴۹

۲-۴-۱-۱ اندازه‌ی درخت ۵۲

۲-۴-۱-۲ طبیعت سلسله مراتبی درخت تصمیم ۵۲

۲-۴-۲ یادگیری استقرایی در درختان تصمیم ۵۳

۲-۴-۳ اهداف اصلی درخت‌های تصمیم‌گیری دسته‌بندی کننده ۵۵

۲-۴-۴ گام‌های لازم برای طراحی یک درخت تصمیم‌گیری ۵۵

۲-۴-۵ روش‌های هیوریستیک ساخت درخت تصمیم‌گیری ۵۶

 

۲-۴-۶ جذابیت درختان تصمیم ۵۶

انتخاب عملگر در درختان الگوی فازی

۲-۴-۷ انواع درختان تصمیم ۵۷
۲-۴-۸ نحوه انتساب کلاس به یک ب

ردار ورودی در درخت تصمیم گیری ۵۷

 

۲-۴-۹ مزایای درختان تصمیم نسبت به روش های دیگر داده کاوی ۵۸

۲-۴-۱۰ معایب درختان تصمیم ۵۸

۲-۵ درختان الگوی فازی ۵۹

۲-۵-۱ ساختار و اجزای مدل ۶۱

۲-۵-۲ یادگیری درختان الگو از داده ها ۶۳

۲-۵-۳ بخشبندی فازی ۶۶

۲-۵-۴ استقرای بالا به پایین در درختان الگو ۶۸

۳ فصل سوم: روش پیشنهادی ۷۳

۳-۱ مقدمه ۷۴

۳-۲ یونینرم ها ۷۴

 

۳-۲-۱ یونینرم های وزندار ۷۷

انتخاب عملگر در درختان الگوی فازی

۳-۲-۲ تعمیم R-star 79
۳-۳ ایجاد عملگرهای فازی انطباق

پذیر ۸۳

۳-۳-۱ صورت نویسی مساله ۸۴

 

۳-۳-۲ تکنیک های پارامتریک ۸۵

۳-۳-۲-۱ رگرسیون خطی محدود شده: عملگرهای جبرانی ۸۵

۳-۳-۲-۲ رگرسیون غیرخطی: فرم ثابت جبری ۸۸

۳-۴ الگوریتم رقابت استعماری ۸۹

۳-۴-۱ شکل دهی امپراطوریهای اولیه ۹۲

۳-۴-۲ سیاست جذب: حرکت مستعمرهها به سمت امپریالیست ۹۴

۳-۴-۳ جابجایی موقعیت مستعمره و امپریالیست ۹۵

۳-۴-۴ قدرت کل یک امپراطوری ۹۶

۳-۴-۵ رقابت استعماری ۹۷

۳-۴-۶ سقوط امپراطوریهای ضعیف ۹۹

۳-۴-۷ همگرایی ۹۹

۳-۵ معرفی عملگرهای پیشنهادی ۱۰۱

۳-۵-۱ معرفی عملگر یونینرم-هاماچر ۱۰۲

۳-۵-۲ معرفی عملگر یونینرم-یاگر ۱۰۳

۳-۵-۳ معرفی عملگر یونینرم-دبویز/پرید ۱۰۴

۳-۵-۴ معرفی عملگر یونینرم-دامبی ۱۰۵

۳-۵-۵ روش پیشنهادی برای یافتن پارامترهای عملگرهای معرفی شده ۱۰۷

انتخاب عملگر در درختان الگوی فازی

۳-۵-۶ نحوه استفاده از الگوریتم بهینه سازی روی عملگرهای معرفی شده ۱۰۷

۳-۵-۷ الگوریتم ارائه شده ۱۱۳

 

۴ فصل چهارم: یافته های تحقیق ۱۱۶

۴-۱ مقدمه ۱۱۷

۴-۲ نتایج مربوط به داده های گل زنبق ۱۱۷

۴-۲-۱ دسته بندی توسط الگوریتم پیشین ۱۱۸
۴-۲-۲ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-هاماچر ۱۲۰

۴-۲-۳ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-یاگر ۱۲۲
۴-۲-۴ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-دبویز/پرید ۱۲۵

۴-۲-۵ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-دامبی ۱۲۶

۴-۳ نتایج مربوط به داده های سرطان ۱۲۹

 

۴-۳-۱ دسته بندی توسط الگوریتم پیشین ۱۲۹
۴-۳-۲ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-هاماچر ۱۳۱

۴-۳-۳ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-یاگر ۱۳۳

۴-۳-۴ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-دبویز/پرید ۱۳۵

۴-۳-۵ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-دامبی ۱۳۷

۴-۴ نتایج مربوط به داده های شیشه ۱۳۹

 

۴-۴-۱ دسته بندی توسط الگوریتم پیشین ۱۴۰
۴-۴-۲ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-هاماچر ۱۴۲

 

۴-۴-۳ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-یاگر ۱۴۳

۴-۴-۴ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-دبویز/پرید ۱۴۵

انتخاب عملگر در درختان الگوی فازی

۴-۴-۵ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-دامبی ۱۴۷
۴-۵ نتایج مربوط به داده های خرچنگ ۱۴۹
۴-۵-۱ دسته بندی توسط الگوریتم پیشین ۱۴۹
۴-۵-۲ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-هاماچر ۱۵۱

۴-۵-۳ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-یاگر ۱۵۳

۴-۵-۴ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-دبویز/پرید ۱۵۵
۴-۵-۵ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-دامبی ۱۵۷

۴-۶ نتایج مربوط به داده های شراب ۱۵۹

۴-۶-۱ دسته بندی توسط الگوریتم پیشین ۱۶۰
۴-۶-۲ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-هاماچر ۱۶۲
۴-۶-۳ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-یاگر ۱۶۳

انتخاب عملگر در درختان الگوی فازی

۴-۶-۴ دسته بندی توسط الگوریتم جدید و عملگر یونینرم-دبویز/پرید ۱۶۵
۴-۶-۵ دسته بندی توسط الگوریتم

جدید و عملگر یونینرم-دامبی ۱۶۷

۴-۷ تجزیه و تحلیل نتایج ۱۷۰

۴-۷-۱ تجزیه و تحلیل نتایج مجموعه داده گل زنبق ۱۷۰

۴-۷-۲ تجزیه و تحلیل نتایج مجموعه داده سرطان ۱۷۲

 

۴-۷-۳ تجزیه و تحلیل نتایج مجموعه داده شیشه ۱۷۵
۴-۷-۴ تجزیه و تحلیل نتایج مجموعه داده خرچنگ ۱۷۷

۴-۷-۵ تجزیه و تحلیل نتایج مجموعه داده شراب ۱۷۹

 

۴-۷-۶ تجزیه و تحلیل نهایی ۱۸۲

۵ فصل پنجم: خلاصه، نتیجه گیری و پیشنهادات ۱۸۹
۵-۱ مقدمه ۱۹۰

۵-۲ خلاصه و نتیجه گیری ۱۹۰

 

۵-۳ پیشنهادات ۱۹۱

منابع و ماخذ: ۱۹۲

پیوست الف: مقالات مستخرج ۱۹۶
مقاله ژورنال ۱۹۷

 

مقاله کنفرانس ۱۹۷

 

 

فهرست اشکال

شکل ۲ – ۱ رفتار عملگر اشتراک هاماچر به ازای تغییر پارامتر ۲۳

 

شکل ۲ – ۲ رفتار عملگر اجتماع هاماچر به ازای تغییر پارامتر ۲۴

شکل ۲ – ۳ رفتار عملگر اشتراک یاگر به ازای تغییر پارامتر ۲۴

شکل ۲ – ۴ رفتار عملگر اجتماع یاگر به ازای تغییر پارامتر ۲۵
شکل ۲ – ۵ رفتار عملگراشتراک دبویز-پرید به ازای تغییر پارامتر ۲۶

شکل ۲ – ۶ رفتار عملگر اجتماع دبویز-پرید به ازای تغییر پارامتر ۲۶

انتخاب عملگر در درختان الگوی فازی

شکل ۲ – ۷ رفتار عملگر اشتراک دامبی به ازای تغییر پارامتر ۲۷

شکل ۲ – ۸ رفتار عملگر اجتماع دامبی به ازای تغییر پارامتر ۲۸

 

شکل ۲ – ۹ ناحیه های نگاشت خروجی عملگرهای T-نرم، T-همنرم و میانگین ۲۹

انتخاب عملگر در درختان الگوی فازی

شکل ۲ – ۱۰ جایگاه عملکرد OWA

در میان سایر عملگرها ۳۲

شکل ۲ – ۱۱ تابع عضویت مثلثی ۳۸

شکل ۲ – ۱۲ تابع عضویت گوسی ۳۸

شکل ۲ – ۱۳ مراحل کشف دانش ۴۰

شکل ۲ – ۱۴ طبقه بندی روش های داده کاوی ۴۳

شکل ۲ – ۱۵ نمایی از یک درخت تصمیم گیری ۴۸

شکل ۲ – ۱۶ شبه کد الگوریتم درخت تصمیم ۵۰

شکل ۲ – ۱۷ نمونه ای از درخت تصمیم گیری ۵۱

 

شکل ۲ – ۱۸ درخت تصمیم برای کاربرد های پزشکی ۵۳

شکل ۲ – ۱۹ درختان الگو-مثال بازاریابی ۶۰

شکل ۲ – ۲۰ مثال های درخت الگو ۶۲
شکل ۲ – ۲۱ شبه کد الگوریتم درختان الگوی فازی ۶۳

 

شکل ۲ – ۲۲ شمایی از درختان الگوی آغازین ۶۴

شکل ۲ – ۲۳ انتخاب B تا از بهترین درختان الگوی آغازین مطابق با معیار تشابه فازی ۶۴

 

شکل ۲ – ۲۴ درختان کاندید با درختان الگوی آغازین توسط یکی از عملگرهای فازی ادغام می شوند و B تا از بهترین آنان با توجه به معیار تشابه انتخاب

می گردند. ۶۶

شکل ۲ – ۲۵ دامنه ویژگی های فازی ۶۸

شکل ۲ – ۲۶ گسترش گره برگ از طریق جایگذاری آن با درخت سه گرهی ۶۹

انتخاب عملگر در درختان الگوی فازی

شکل ۲ – ۲۷ الگوریتم درخت الگوی بالا به پائین ۷۰

شکل ۲ – ۲۸ شمای کلی از چگونگی رشد درخت الگوی فازی ۷۱
شکل ۲ – ۲۹ شمای کلی فلوچارت درخت الگوی فازی ۷۲

شکل ۳ – ۱ رفتار عملگر STAR-DOWN به ازای تغیر در عنصرشناسایی ۷۶

شکل ۳ – ۲ رفتار عملگر STAR-UP به ازای تغیر در عنصرشناسایی ۷۶

شکل ۳ – ۳ رفتار عملگر یونینرم وزندار STAR-DOWN 78

شکل ۳ – ۴ رفتار عملگر یونینرم وزندار STAR-UP 78

شکل ۳ – ۵ رفتار تابعQ به ازای A 80

شکل ۳ – ۶ رفتار عملگر R-MOST-STAR به ازای تغییر در E 81

شکل ۳ – ۷ رفتار عملگر R-LINEAR-STAR به ازای تغییر در E 82

انتخاب عملگر در درختان الگوی فازی

شکل ۳ – ۸ فلوچارت الگوریتم رقابت

استعماری ۹۰

شکل ۳ – ۹ اجزای اجتماعی سیاسی تشکیل دهنده یک کشور ۹۱

شکل ۳ – ۱۰ چگونگی شکل‌گیری امپراطوری‌های اولیه ۹۳

شکل ۳ – ۱۱ شمای کلی حرکت مستعمرات به سمت امپریالیست ۹۴

شکل ۳ – ۱۲ حرکت واقعی مستعمرات به سمت امپریالیست ۹۵

شکل ۳ – ۱۳ تغییر جای استعمارگر و مستعمره ۹۶
شکل ۳ – ۱۴ کل امپراطوری، پس از تغییر موقعیت‌ها ۹۶

شکل ۳ – ۱۵ شمای کلی رقابت استعماری: امپراطوری‌های بزرگ‌تر، با احتمال بیشتری، مستعمرات امپراطوری‌های دیگر را تصاحب می‌کنند. ۹۷

شکل ۳ – ۱۶ شمای کلی رقابت استعماری: امپراطوری‌های بزرگ‌تر، با احتمال بیشتری، مستعمرات امپراطوری‌های دیگر را تصاحب می‌کنند. ۱۰۰

شکل ۳ – ۱۷ شبه کد مربوط به الگوریتم رقابت استعماری ۱۰۰

شکل ۳ – ۱۸ شمای کلی از نحوه عملکرد الگوریتم ICA 101

انتخاب عملگر در درختان الگوی فازی

شکل ۳ – ۱۹ روند کاهش تابع هزینه با استفاده از الگوریتم ICA روی عملگر یونینرم-هاماچر ۱۰۹

شکل ۳ – ۲۰ روند کاهش تابع هزینه با استفاده از الگوریتم ICA روی عملگر یونینرم-یاگر ۱۱۰

شکل ۳ – ۲۱ روند کاهش تابع هزینه با استفاده از الگوریتم ICA روی عملگر یونینرم-دبویز/پرید ۱۱۱

شکل ۳ – ۲۲ روند کاهش تابع هزینه با استفاده از الگوریتم ICA روی عملگر یونینرم-دامبی ۱۱۲

شکل ۳ – ۲۳ شبه کد الگوریتم پیشنهادی ۱۱۳

شکل ۳ – ۲۴ فلوچارت الگوریتم پیشنهادی ۱۱۵

شکل ۴ – ۱ درختان الگوی فازی ورژن پیشین برای کلاس های داده زنبق ۱۱۸

شکل ۴ – ۲ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-هاماچر برای کلاس های داده زنبق ۱۲۱

شکل ۴ – ۳ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-یاگر برای کلاس های داده زنبق ۱۲۳

شکل ۴ – ۴ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-دبویز/پرید برای کلاس های داده زنبق ۱۲۵

شکل ۴ – ۵ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-دامبی برای کلاس های داده زنبق ۱۲۷

شکل ۴ – ۶ درختان الگوی فازی ورژن پیشین برای کلاس های داده سرطان ۱۳۰
شکل ۴ – ۷ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-هاماچر برای کلاس های داده سرطان ۱۳۲

 

شکل ۴ – ۸ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-یاگر برای کلاس های داده سرطان ۱۳۴

شکل ۴ – ۹ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-دبویز/پرید برای کلاس های داده سرطان ۱۳۶

شکل ۴ – ۱۰ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-دامبی برای کلاس های داده سرطان ۱۳۸

انتخاب عملگر در درختان الگوی فازی

شکل ۴ – ۱۱ درختان الگوی فازی ورژن پیشین برای کلاس های داده شیشه ۱۴۰

شکل ۴ – ۱۲ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-هاماچر برای کلاس های داده شیشه ۱۴۲
شکل ۴ – ۱۳ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-یاگر برای کلاس های داده شیشه ۱۴۴

 

شکل ۴ – ۱۴ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-دبویز/پرید برای کلاس های داده شیشه ۱۴۶

شکل ۴ – ۱۵ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-دامبی برای کلاس های داده شیشه ۱۴۸

شکل ۴ – ۱۶ درختان الگوی فازی ورژن پیشین برای کلاس های داده خرچنگ ۱۵۰

شکل ۴ – ۱۷ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-هاماچر برای کلاس های داده خرچنگ ۱۵۲
شکل ۴ – ۱۸ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-یاگر برای کلاس های داده خرچنگ ۱۵۴

 

شکل ۴ – ۱۹ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-دبویز/پرید برای کلاس های داده خرچنگ ۱۵۶

شکل ۴ – ۲۰ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-دامبی برای کلاس های داده خرچنگ ۱۵۸
شکل ۴ – ۲۱ درختان الگوی فازی ورژن پیشین برای کلاس های داده شراب ۱۶۰

شکل ۴ – ۲۲ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-هاماچر برای کلاس های داده شراب ۱۶۲

شکل ۴ – ۲۳ درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-یاگر برای کلاس های داده شراب ۱۶۴

انتخاب عملگر در درختان الگوی فازی

شکل ۴ – ۲۴ درختان الگوی فازی و

رژن جدید و بکارگیری عملگر یونینرم-دبویز/پرید برای کلاس های داده شراب ۱۶۶

شکل ۴ – ۲۵درختان الگوی فازی ورژن جدید و بکارگیری عملگر یونینرم-دامبی برای کلاس های داده شراب ۱۶۸

شکل ۴ – ۲۶ تغییرات تشابه فازی مربوط به الگوریتم برای مجموعه داده گل زنبق به ازای هر عملگر ۱۷۰

شکل ۴ – ۲۷ تغییرات مقدار سردرگمی برای دو گروه آموزش و آزمون مجموعه داده گل زنبق به ازای هر عملگر ۱۷۱

شکل ۴ – ۲۸ تغییرات نرخ صحت دسته بندی برای دو گروه اموزش و آزمون از مجموعه داده گل زنبق به ازای هر عملگر ۱۷۱

شکل ۴ – ۲۹ تغییرات مقدار RMSE برای دو گروه آموزش و آزمون مجموعه داده گل زنبق به ازای هر عملگر ۱۷۲

شکل ۴ – ۳۰ تغییرات تشابه فازی مربوط به الگوریتم برای مجموعه داده سرطان به ازای هر عملگر ۱۷۳

شکل ۴ – ۳۱ تغییرات مقدار سردرگمی برای دو گروه آموزش و آزمون مجموعه داده سرطان به ازای هر عملگر ۱۷۳

 

شکل ۴ – ۳۲ تغییرات نرخ صحت دسته بندی برای دو گروه اموزش و آزمون از مجموعه داده سرطان به ازای هر عملگر ۱۷۴
شکل ۴ – ۳۳ تغییرات مقدار RMSE ، برای دو گروه آموزش و آزمون مجموعه داده سرطان به ازای هر عملگر ۱۷۴

شکل ۴ – ۳۴ تغییرات تشابه فازی مربوط به الگوریتم برای مجموعه داده شیشه به ازای هر عملگر ۱۷۵

شکل ۴ – ۳۵ تغییرات مقدار سردرگمی برای دو گروه آموزش و آزمون مجموعه داده شیشه به ازای هر عملگر ۱۷۶

انتخاب عملگر در درختان الگوی فازی

شکل ۴ – ۳۶ تغییرات نرخ صحت دسته بندی برای دو گروه اموزش و آزمون از مجموعه داده شیشه به ازای هر عملگر ۱۷۶

شکل ۴ – ۳۷ تغییرات مقدارRMSE ، برای دو گروه آموزش و آزمون مجموعه داده شیشه به ازای هرعملگر ۱۷۷

شکل ۴ – ۳۸ تغییرات تشابه فازی مربوط به الگوریتم برای مجموعه داده خرچنگ به ازای هر عملگر ۱۷۸

 

شکل ۴ – ۳۹ تغییرات مقدار سردرگمی برای دو گروه آموزش و آزمون مجموعه داده خرچنگ به ازای هر عملگر ۱۷۸

شکل ۴ – ۴۰ تغییرات نرخ صحت دسته بندی برای دو گروه اموزش و آزمون از مجموعه داده خرچنگ به ازای هر عملگر ۱۷۹

شکل ۴ – ۴۱ تغییرات مقدار RMSE، برای دو گروه آموزش و آزمون مجموعه داده خرچنگ به ازای هرعملگر ۱۷۹

شکل ۴ – ۴۲ تغییرات تشابه فازی مربوط به الگوریتم برای مجموعه داده شراب به ازای هر عملگر ۱۸۰

انتخاب عملگر در درختان الگوی فازی

شکل ۴ – ۴۳ تغییرات مقدار سردرگمی برای دو گروه آموزش و آزمون مجموعه داده شراب به ازای هر عملگر ۱۸۱

شکل ۴ – ۴۴ تغییرات نرخ صحت دسته بندی برای دو گروه اموزش و آزمون از مجموعه داده شراب به ازای هر عملگر ۱۸۱

شکل ۴ – ۴۵ تغییرات مقدار RMSE ، برای دو گروه آموزش و آزمون مجموعه داده شراب به ازای هر عملگر ۱۸۲

 

 

 

 

 

 

 

 

انتخاب عملگر در درختان الگوی فازی

فهرست جداول

جدول ۲ – ۱ طبقه بندی عملگرهای ادغام کننده ۳۳
جدول ۲ – ۲ طبقه بندی عملگرهای جبران پذیر و جبران ناپذیر ۳۵
جدول ۲ – ۳ روابط میان عملگرهای پارامتری و عملگرهای غیرپارامتری ۳۷
جدول ۲ – ۴ عملگرهای ریاضی و منطقی ۶۲
جدول ۳ – ۱ پارامترهای استفاده ش

ده در الگوریتم رقابت استعماری ۱۰۸

جدول ۴ – ۱ خلاصه موارد مهم از اجرای الگوریتم برای مجموعه داده گل زنبق ۱۷۰

جدول ۴ – ۲ خلاصه موارد مهم از اجرای الگوریتم برای مجموعه داده سرطان ۱۷۲

جدول ۴ – ۳ خلاصه موارد مهم از اجرای الگوریتم برای مجموعه داده شیشه ۱۷۵

جدول ۴ – ۴ خلاصه موارد مهم از اجرای الگوریتم برای مجموعه داده خرچنگ ۱۷۷

جدول ۴ – ۵ خلاصه موارد مهم از اجرای الگوریتم برای مجموعه داده شراب ۱۸۰

انتخاب عملگر در درختان الگوی فازی

جدول ۴ – ۶ رتبه الگوریتم ها از لحاظ سنجش عملکرد برای هر مجموعه داده و میانگین رتبه هر یک ازآن ها ۱۸۲

جدول ۴ – ۷ مقادیر میانگین تشابه فازی هر یک از الگوریتم ها به ازای مجموعه های داده ۱۸۲

جدول ۴ – ۸ همبستگی میان مقادیر تشابه فازی و RMSE داده های ازمون ۱۸۳

جدول ۴ – ۹ همبستگی میان مقادیر تشابه فازی و مقدار سردرگمی داده های آزمون ۱۸۴

جدول ۴ – ۱۰ همبستگی میان مقادیر تشابه فازی و نرخ صحت دسته بندی در داده های آزمون ۱۸۴

جدول ۴ – ۱۱ آزمون کروسکال-والیس برای بررسی وجود اختلاف بین میانگین RMSE های گروه های عملگر ۱۸۵

 

جدول ۴ – ۱۲ آزمون کروسکال-والیس برای بررسی رتبه میانگین RMSE گروه های عملگر ۱۸۶

جدول ۴ – ۱۳ جدول ANOVA برای بررسی اختلاف میان گروهی ودرون گروهی بین RMSE گروه های عملگر ۱۸۶

جدول ۴ – ۱۴ جدول مقایسات چندگانه میان RMSE گروه های عملگر ۱۸۸

 

 

 

 

 

۱- فصل اول :

مقدمه

 

 

 

 

 

 

 

 

 

 

 

انتخاب عملگر در درختان الگوی فازی

 

۱-۱ مقدمه

در جهان امروز کامپیوتر محور، یک پایگاه داده شامل حجم انبوهی از اطلاعات است. دسترسی و فراوانی این اطلاعات داده‌کاوی را موضوعی ضروری و

قابل توجه می‌نماید. از آنجایی که مقادیر اطلاعات قابل خواندن توسط ماشین افزایش یافته، توانایی درک و استفاده از آن اطلاعات با رشد آن همگام

نشده است. داده‌کاوی به عنوان ابزاری برای مقابله با این رشد نمایی اطلاعات و داده‌ها ظهور یافته است. داده‌کاوی یک زمینه‌ی میان رشته ای است که

همراه با تکنیک هایی از یادگیری ماشین، تشخیص الگو، آمار، پایگاه داده، برای آدرس دهی مساله استخراج داده از پایگاه های داده بزرگ در حال رشد

است. در داده کاوی، یک درخت تصمیم مدلی پیش بینی کننده است که می تواند برای ارئه‌ی مدل های دسته بندی کننده و رگرسیون استفاده گردد.

علاوه بر این، مزیت مهم استفاده از قوانین فازی برای کاربردهای دسته بندی، حفظ شفافیت، همچون نرخ دقت بالاست. تحقیقات گسترده ای روی

 

یادگیری ماشین بر مبنای مجموعه های فازی انجام گرفته است. محققان تلاش کرده اند دو رهیافت درخت های تصمیم و منطق فازی را با یکدیگر ترکیب

کنند تا ضمن حفظ قابلیت درک, انعطاف پذیری بیشتری در یادگیری مفاهیم دنیای واقعی و نیز مقابله با اغتشاش حاصل شود. مزیت مهم الگوریتم های یادگیری ماشین استقرایی، نسبت به روش های دیگر، آن است که مدل های تولید شده توسط آن ها صریح و روشن می باشد. این مدل ها، در قالب

درخت های تصمیم یا قوانین اگر… آنگاه… بیان می شوند و می توان آن ها را اعتبارسنجی کرده، تغییر داد، و یا حتی مطالب زیادی را از آن ها آموخت [۱].

انتخاب عملگر در درختان الگوی فازی

 

همچنین، استقرای درخت الگوی فازی، اخیرا به عنوان یک روش نوین یادگیری ماشین برای دسته بندی معرفی شده است که این روش عملکرد

امیدوارکننده ای را در مطالعات تجربی آغازین ارائه نموده است [۷]. اغلب روش های استقرایی قواعد فازی موجود، شامل درختان تصمیم فازی، روی

جستجو قوانینی که تنها از t-نرم ها ، همچون مینیمم و مینیمم جبری استفاده می نمایند، تمرکز می-کنند. بی اعتنایی به عملگرهای t-همنرم ، همچون

ماکزیمم و ماکزیمم جبری به دلیل این واقعیت است که بسیاری از t -همنرم ها می توانند توسط چندین قانون که تنها از t-نرم ها استفاده می کنند، ارائه

انتخاب عملگر در درختان الگوی فازی

شوند. این مطلب مطمئنا برای ساده سازی فرآیند استقرای قوانینی که تنها t-نرم ها را در نظر می گیرند مفید می باشد. به هر حال، ممکن است که

تولید قوانین مهم فازی که در آن عبارات فازی آشکارا با t-همنرم ها در ارتباط هستند، ناموفق شود. ولی درختان الگو از ادغام های مختلفی که شامل t-

نرم ها و t-همنرم ها می باشد، استفاده می کند [۳].

 

۱-۲ تعریف مسئله و سوالات اصلی تحقیق

تا کنون، درختان الگوی فازی یادگیرنده ، بین سه نوع عملگر متفاوت در میان t-نرم ها و t-همنرم های فازی و عملگر وزنی میانگین(WA) و همچنین عملگر

وزنی میانگین مرتب (OWA) ، عملگری برای عملیات ادغام انتخاب می نمود. ولی روش ارائه شده ی پیشین طیف گسترده ای از عملگرها را در نظر نمی

گیرد. عملگرهایی که می توانند بهترین برازش را روی کلاس های خروجی در این گونه درختان اعمال کنند. ما در این پژوهش به دنبال روشی هستیم که

این طیف گسترده از انواع عملگر ها را شامل شود و این امر می تواند توسط انتخاب، در میان تعداد بی نهایت از این عملگرها انجام پذیرد و فضای انتخاب

عملگر را در درختان الگوی فازی توسعه بخشد. این روند می تواند از طریق انتخاب در میان خانواده های پارامتر ی شده ای از t-نرم ها وt-همنرم های

انتخاب عملگر در درختان الگوی فازی

مثلثی انجام گیرد. استراتژی فعلی که در درختان الگوی فازی به کار گرفته شده، کاملا ساده است ولی مطلوب نیست، بنابراین هنوز فضا برای بهبود الگوریتم وجود دارد.

حال سوالات اصلی تحقیق این است که :

• چگونه می توان تعداد انتخاب ها میان عملگرها را در درختان الگوی فازی افزایش داد؟

• چگونه می توان انتخاب عملگر در درختان الگوی فازی را مطلوب نمود؟

• تاثیر نحوه ی انتخاب عملگر در بهبود عملکرد درختان الگوی فازی چیست؟

 

۱-۳ فرضیه ها

با توجه به قابلیت های درختان الگوی فازی در دقت و صحت دسته بندی، نسبت به الگوریتم های دیگر درختان دسته بندی کننده، فرض ما این است که با

 

بهینه سازی انتخاب میان عملگرهای پارامتریک در درختان الگوی فازی، عملکرد الگوریتم مربوط به درختان الگوی فازی بهبود می یابد.

 

۱-۴ موضوع و اهداف پژوهش

این پژوهش با استفاده از نحوه ی انتخاب عملگر و مطلوب سازی آن در درختان الگوی فازی، روش جدیدی را برای ارائه ی دسته بندی های بهتر و دقیق تر در درختان الگوی فازی ارائه می دهد. موضوع اصلی تحقیق نحوه ی بررسی عملگرهایی است که پارامترهای آن به گونه ای انتخاب و میزان سازی می

شوند که می تواند توسط ادغام و بهینه نمودن برازش عملگرها بر روی کلاس های خروجی مربوط به داده های دسته بندی، موجب افزایش کارایی و

بهینه نمودن و افزایش صحت در نتایج به دست آمده از درختان الگوی فازی گردند.

 

۱-۵ روش تحقیق

تحقیق انجام شده از نوع تحقیق تجربی است که در آن نحوه ی تغییرات و همچنین انتخاب عملگرها روی دقت و صحت نتایج حاصله از دسته بندی درخت

الگوی فازی بررسی می شود. در واقع متغییرها در این پژوهش، عملگرهای پارامتریک هستند که خود از طریق تغییراتی که روی پارامترهای آن ها انجام

می گیرد دچار تغییر شده و بر نحوه ی عملکرد ادغام و در نهایت با تاثیر روی بر روند بخشی از عملکرد الگوریتم روی مقدار ریشه ی مجموع میانگین

مربعات خطا تاثیر می گذارند. نحوه ی جمع آوری اطلاعات در این پژوهش از طریق مطالعات کتابخانه ای بوده و مجموعه داده هایی که برای بررسی و

 

پیاده سازی الگوریتم پیشنهادی استفاده شده است همگی داده های واقعی بوده که از مخزن داده برای یادگیری ماشین دانشگاه UCI استخراج شده

اند[۹]. در این بررسی از نرم افزارهای MATLAB و SPSS و Excle استفاده شده است. از لحاظ نوع هدف، روش تحقیق مورد استفاده، بنیادی بوده، چرا که به بررسی رفتار متغییرها و ارائه ی روشی نو برای بهینه سازی عملکرد الگوریتم موجود می پردازد.

انتخاب عملگر در درختان الگوی فازی

 

۱-۶ جنبه های نوآوری
در این پژوهش، توسط انتخاب عملگر و مطلوب سازی آن در درختان الگوی فازی، روش جدیدی را برای ارائه دسته بندی های بهتر و دقیق تر در درختان

 

الگوی فازی ارائه می دهد. در واقع طیف گسترده ای از عملگرها که قبلا در درختان الگوی فازی و یا حتی در روش های مورد استفاده در حوزه ی دسته بندی فازی مورد بررسی واقع نمی-شد در این پژوهش ارائه شده و با بهینه سازی مقادیر بهینه ی پارامترهای مربوطه، عملگرهای جدید تنظیم می-

گردند.

 

۱-۷ پیشینه ی تحقیق

تحقیقات گسترده ای روی یادگیری ماشین برمبنای مجموعه های فازی انجام گرفته است. ونگ و مندل الگوریتمی را برای تولید قواعد فازی برای یادگیری

از مثال ها ایجاد کرده بودند [۱۰]. با الهام از استقرای درخت تصمیم کلاسیک که توسط کوئینلان معرفی گشته، کار معتبری روی درختان تصمیم فازی

انجام شده است [۱۱]. برای مثال، یوآن و شاو استقرای درختان تصمیم فازی را با استفاده از آنتروپی فازی پیشنهاد نموده اند [۱۲]. جانیکو و اولارو و ونکل

استقرای متفاوتی از درختان تصمیم فازی را ارائه نموده اند [۱۳و۱۴]. سارز و لوتسکو و ونگ و همکاران بهینه سازی هایی از درختان تصمیم فازی را

انتخاب عملگر در درختان الگوی فازی

نمایش داده اند [۱۵و۱۶]. همچنین

دیگر الگوریتم های یادگیری ماشین فازی- مبنا نیز پیشنهاد شده است. برای مثال، چن و همکاران یک روش یادگیری ماشین زیرمجموعه ای-مبنا پیشنهاد

کرده اند [۱۷]. رسمانی و شن یک روش یادگیری ماشین زیرمجموعه ای فازی وزندار-مبنا پیشنهاد نموده اند [۱۸]. برای اجتناب از رشد نمائیِ اندازه‌ی

قوانین، برمبنای زمانی که تعداد متغیرهای ورودی افزایش می یابد، راجو و همکاران سیستم های فازی سلسله مراتبی را پیشنهاد کرده اند [۱۹]. اخیرا

کازی و همکاران [۲۰] و ونگ و همکاران امضا های فازی را ارائه نموده اند که ساختار پیچیده ای از نقاط داده در روش سلسله مراتبی است [۲].

اغلب روش های استقرایی قوانین فازی موجود، شامل درختان تصمیم فازی روی جستجو برای قوانینی که تنها از عملگرهای t -نرم همچون مینیمم و

مینیمم جبری استفاده می نمایند، تمرکز می کنند [۲۲]. بی اعتنایی به t-نرم-ها همچون ماکزیمم و ماکزیمم جبری به دلیل این واقعیت است که

انتخاب عملگر در درختان الگوی فازی

بسیاری از t-همنرم ها، می توانند توسط چندین قانون که تنها از t-نرم ها استفاده می کنند، ارائه شوند [۲۳] و این شیوه برای ساده سازی فرآیند

استقرای قوانینی که تنها t-همنرم ها را در نظر می گیرند مفید می باشد. به هر حال، ممکن است که تولید قوانین مهم فازی که در آن عبارات فازی

آشکارا با t-نرم ها در ارتباط هستند، ناموفق شود. پژوهش های مربوطه، شامل امضای فازی و درختان تصمیم فازی ادغامگر چندگانه است که عملگرهای

متعددی را به کار می گیرند. کازی و همکاران امضاهای فازی را برای مدلسازی ساختارهای پیچیده نقاط داده با استفاده‌ از عملگرهای ادغام مختلف

شامل مینیمم ، ماکزیمم و میانگین و غیره پیشنهاد داده اند [۲۰]. نیک روش محاسبه تکاملی را بر پایه‌ی چندین عملگر در درختان تصمیم فازی، که در آن

بیشتر انتخاب های عملگرهایی همچون میانگین هارمونیک در-دسترس می باشند، ارائه نموده است. اخیرا درختان الگوی فازی به عنوان روش نوین

یادگیری برای دسته بندی توسط هوانگ و همکاران معرفی شد که از ادغام های مختلفی (شامل t-نرم و t-همنرم) استفاده می کند. همچون درختان

 

تصمیم، درختان تصمیم فازی به عنوان ابزاری برای کاربرد های دسته بندی به کار می روند. درختان الگوی فازی نوع جدیدی از انواع درختان تصمیم گیری

است که اخیرا توسط هوانگ و همکاران در سال ۲۰۰۸ معرفی شد که دارای عملکردی رقابتی است و در بسیاری از زمینه ها نتایجی بهتر از سایر انواع

درختان تصمیم فازی دارد [۳]. همچنین فابر و اولرمایر مستقلا، تحت نام درختان عملگر فازی نوع یکسانی از درختان الگو را پیشنهاد نموده اند [۲۴].

همچنین تغییراتی در ساختا