واکشی قوانین فازی با استفاده از روش دسته بندی فازی مبتنی بر Simulated Annealing

سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,227

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ACCSI12_241

تاریخ نمایه سازی: 23 دی 1386

چکیده مقاله:

در این مقاله به کمک عمل دسته بندی، دانش را از مجموعه داده های ورودی واکشی کرد ه و با استفاده از الگو ریتم Simulated(SA) Annealing دانش واکشی شد ه را بهینه م ینماییم. الگوریتم SA یک روش جستجوی تکراری است که به دنبال جوا ب بهینه سراسری م یگردد و به کمک مکانیزم هایی تلاش می کند که در نقاط بهینه محلی گرفتار نشود. دانش واکشی شده به صورت قوانین فازی نشان داده می شود. قوانین فازی از آن جهت مورد توجه می باشند که امکان تفسیر شدن توسط انسان خبره در آنها وجود دارد. در اینجا واکشی قوانین فازی متناظر با عمل دست هبندی قوانین فازی است؛ دسته بندی یا یادگیری با ناظر از رایج ترین رو شهای داده کاوی اس ت که در زمینه های گسترد ه ای مورد استفاده قرار گرفته است . نتیجه کار عبارت است از یک الگوریتم داده کاوی بر مبنای الگوریتمSA که به صورت نرم افزاری پیاده سازی م ی شود. ارزیابی این الگوریتم توسط د و معیا ر دقت و سادگی مورد بررسی قرار م یگیرد که این دو معیار از جمله معیارهای معروف در شاخه داده کاوی هستند. در پایان روش پیشنهادی با روش های موجود مانندرو ش مبتنی برK-NN و GA مقایسه شده است.

نویسندگان

حمید محمدی

دانشجوی کارشناسی ارشد نرم افزار، دانشگاه صنعتی شریف، دانشکده مهندسی

جعفر حبیبی

استادیار، دانشگاه صنعتی شریف، دانشکده مهندسی کامپیوتر

محمد صنیعی آباده

دانشجوی دکترای مهندسی کامپیوتر، دانشگاه صنعتی شریف، دانشکده مهندسی

حمید سعدی

دانشجوی کارشناسی ارشد نرم افزار، دانشگاه علم و صنعت ایران، دانشکده م

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Larose, Daniel T., Discovering knowledge in data: an introduction to ...
  • Hussein A. Abbass, Ruhul A. Sarker, Charles S. Newton, Data ...
  • H. Ishibuchi, T. Nakashima, "Effect of Rule Weights in Fuzzy ...
  • H.Ishibuchi, K.Nozaki, H.Tanaka, "Distributed Representa tion of Fuzzy Rules and ...
  • S. Abe, M. S. Lan, "A method for fuzy rules ...
  • V. Uebele, S. Abe, and M. -S. Lan, "A neura ...
  • S. Mitra and L. I. Kuncheva, "Improving classification performance using ...
  • D. Nauck and R. Kruse, "A neuro-fuzzy method to learn ...
  • S. Abe and R. Thawonmas, "A fuzy classifier with ellipsoida1 ...
  • L. I. Kuncheva and J. C. Bezdek, "A fuzy generalized ...
  • H. Ishibuchi, T. Murata, and I. B. Turksen, "Single- objective ...
  • O. Cordon, M. J. del Jesus, and F. Herrera, "Genetic ...
  • T. Murata, H. Ishibuchi, T. Nakashima, and M. Gen, "Fuzzy ...
  • A. Gonzalez and R. Perez, "SLAVE: A genetic learning system ...
  • K.Nozaki, H.Ishibuchi, H.Tanaka: "A Simple but Powerful Heuristic Method for ...
  • S. Kirkpatrick, C. D. Gelatt Jr, M. P. Vecchi, "Optimization ...
  • R.W. Klein, R. C. Dubes, "Experiments in Projection and Clustering ...
  • X.Y. Wang and J. Garibaldi, "Simulated Annealing Fuzzy Clustering in ...
  • نمایش کامل مراجع