معرفی ساختار جدیدی از درخت تصمیم و استفاده از آن به همراه کلاسترینگ (FCM) برای تولید قوانین فازی

سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,531

فایل این مقاله در 7 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:

CSICC15_217

تاریخ نمایه سازی: 26 مهر 1388

چکیده مقاله:

قوانین فازی، مبتنی بر هر روشی که ایجاد شود، از اهمیت زیادی در پیاده سازی و بهینه سازی سیستم ها برخوردار است.استفاده از دانش بشری در تولید قوانین فازی، اگر چه مزیت خوانایی و نزدیکی به تخصص تجربی دارد، اما در همه سیستم ها قابل پیاده سازی نیست. استفاده از خروجی های یک سیستم که شامل یک سری داده است، از آنجا که بر پایه کارکرد صحیح سیستم ایجاد شده، با درصد زیادی قابل اعتماد است. در مقاله حاضر، با استفاده از خروجی های سیستم و به واسطه تولید یک درخت تصمیم گیری، قوانین فازی استخراج می شوند. در حقیقت پیمایش درخت تصمیم گیری منجر به تولید قوانین شده و این قوانین، فازی و در نهایت بهینه می شوند. درخت تصمیم ارائه شده، در مقایسه با پیاده سازی های پیشین، جدید بوده و به عنوان یک راه حل جدید در کلاسه بندی نیز قابل ارائه است.از جمله مزیت های درخت تصمیم جدید نسبت به C4.5 (که از پرکاربردترین ساختار های تصمیم گیری است)، می توان به قابلیت تصمیم گیری همزمان بر روی بیش از یک ویژگی اشاره کرد، که در C4.5 فراهم نیست. عدم تولید یک جواب مشخص، و بهبود جواب در اثر تکرار الگوریتم نیز، از جمله موفقیتهای ساختار ارائه شده است.

نویسندگان

حسین خسروی رشخواری

دانشگاه فردوسی مشهد، دانشکده مهندسی،گروه کامپیوتر، مشهد، ایران

محمدحسین یغمایی مقدم

دانشگاه فردوسی مشهد، دانشکده مهندسی،گروه کامپیوتر، مشهد، ایران

هادی صدوقی یزدی

دانشگاه فردوسی مشهد، دانشکده مهندسی،گروه کامپیوتر، مشهد، ایران

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 :
  • حاج احمدی، همایون پور، احدی- بهبود خوشه بندی C میانگینه ...
  • Quinlan, J. R. Induction of Decision Trees. Mach. Learn. _ ...
  • J. R. Quinlan. Improved use of continuous attributes in c4.5. ...
  • Pietari Pulkkinen , Hannu Koivisto, Fuzzy classifier identification using decision ...
  • J. C. Bezdek Pattern Recognition with Fuzzy Objective Function Algorithms, ...
  • F. Hoppner, F. Klawonn, R. Kruse, T. Runkler, Fuzzy Cluster ...
  • RuleQuest Research Co. http://www .rulequest.com ...
  • Zadeh, L. Fuzzy sets. Information and Control, 8(3):338-353. 1965. ...
  • M. Sugeno, _ introductory survey of fuzzy control, " Inf. ...
  • C. C. Lee, "Fuzzy logic in control systems: Fuzzy logic ...
  • T. Takagi and M. Sugeno, "Fuzzy identification of systems and ...
  • K. M. Passino and , Yurkovich, Fuzzy Control Menlo Park, ...
  • UCI machine Learning Repository web site: http:/archive. ics _ uc ...
  • J. Bezdek, Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum ...
  • R. O. Duda, P. E. Hart, G. D. Stork, Pattern ...
  • R. Krishnapuram, J. M. Keller, A Possibilistc approach to clustering, ...
  • Dr.Saeed Shiry Ghidary Academic website, http://ceit. aut.ac.ir/-sh irv ...
  • نمایش کامل مراجع