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

word 2 MB 31041 99
1392 کارشناسی ارشد مهندسی کامپیوتر
قیمت: ۱۲,۸۷۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان­ نامه کارشناسی ارشد در رشته­ مهندسی کامپیوتر (هوش مصنوعی)

    چکیده

    استخراج طبقه­ بند­های عام[1] و قابل فهم از داده، نقش مهمی در بسیاری از حوزه ­ها 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 تکنیک ­های فازی برای تقسیم­بندی نرم فضای ویژگی و بالطبع استفاده از یک معماری مؤثر در متصل کردن این زیر­فضاها برای تصمیم­گیری و طبقه­ بندی 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 Ishibuchi برای 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 الگوریتم ­های طبقه بندی کننده فازی که توضیح داده خواهد شد مقایسه و ارزیابی می­شود.

     

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

    فصل اول

     

     

                                                   مقدمه

    (تصاویر در فایل اصلی موجود است)

     

    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[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 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[4] 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[5] با توجه به نحوه تخصیص تولید می­شوند. مدل­سازی سیستم­های فازی بصورت مجموعه­ای از این قوانین نمایش داده می­شود.

    1-2. 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، نحوه تخصیص زیرفضاها، نحوه استنتاج در هر قانون و در نهایت ادغام قوانین ارائه­شده است. بدیهی است زبان طبیعی[6] محور بودن ساختار قوانین فازی علیرغم استخراج دانش، مشکل اثبات ریاضی کارایی طبقه­بندی­کننده از جمله ارائه یک کران­ بالا[7] برای خطای آموزش[8] و خطای تست[9] است. به­عبارتی افزایش عمومی­سازی[10] این طبقه­بندی­کننده­ها بصورت ریاضی مانند طبقه­بندی کننده تقویتی گروهی[11] کار بسیار دشواری است. از این­رو اغلب از روش­های مکاشفه­ای[12] و فوق مکاشفه­ای[13] 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[14][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 جمعیت کد می­شود، نوع بیان 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، 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.

    مزیت ترکیب قوانین فازی و الگوریتم­های تکاملی این است 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 نحوه تخصیص­بندی فضاها و همچنین تعیین پارامتر­های توابع عضویت (مانند شیب و واریانس)، از الگوریتم­های تکاملی استفاده شده است[10].

     

     

    1-4. چالش­ها

    با توجه به 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 می­شود که برای بهبود یادگیری پارامتر­های آن الگوریتم تکاملی رقابت استعماری [11] اقتباس شده است. 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 تحقیق سعی 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 است. ضمنأ به­دلیل ایجاد هارمونی مناسب در بهینه­سازی ساختار قوانین و همچنین ادغام قوانین، استفاده از الگوریتم بهینه­سازی رقابت استعماری پیشنهاد می­شود.

    در این الگوریتم چند نمونه که دارای میزان برازندگی[23] بالایی می­باشند (امپریالیست[24]) و مرکز امپراطوری­ها هستند، سعی در کشاندن بقیه نمونه­ها (مستعمره)[25] به سمت خود دارند. این الگوریتم را می­توان نوع بهبود یافته الگوریتم ازدحام ذرات در نظر گرفت. لازم به ذکر است که الگوریتم ازدحام ذرات علیرغم سرعت همگرایی بالای آن، احتمال بایاس شدن آن بسیار زیاد می­باشد. چون میزان 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 است که هر نمونه به­جای حرکت در جهت برآیند دو نقطه با برازندگی­های مناسب، به یکی از چند نقطه­ای اختصاص داده می­شود 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 استفاده از یک قانون برای تصمیم­گیری درمورد 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 به­عمل آورد که همین امر باعث بیش­سازگاری[29]و کمبود عمومی­سازی توابع فازی می­گردد. در مقابل، الگوریتم یادگیری استعماری از تخصیص یک قانون به یک زیرفضای خاص جلوگیری کرده و حتی زیرفضاهایی که یک مستعمره از قوانین درباره 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 عمل می­کنند، می­توان آن را جزو الگوریتم­های توزیع­شده در نظر گرفت. توانایی بهینه­سازی این الگوریتم نسبت به الگوریتم­های بهینه­سازی پیشین هم­تراز و یا حتی بالاتر است و سرعت رسیدن به جواب بهینه نیز مناسب است.

     

     

    1-5. اهداف پایان­نامه

    در این رساله می­خواهیم یک مجموعه از قوانین انعطاف ­پذیر فازی را با استفاده از الگوریتم رقابت استعماری که پیش از این ذکر شد، ایجاد نماییم. با این هدف که کارایی طبقه­بندی­کننده و تفسیر پذیری قوانین تولید شده حداکثر شود 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 استفاده از الگوریتم نوپای رقابت استعماری به­دست آوریم. نکته مهم در این رساله، نحوه تخصیص زیرفضا، ساخت قوانین و در نهایت ادغام آن­ها در یک پروسه بهینه­سازی استعماری است. به­طور­کلی 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 استفاده بهینه در سیستم­های فازی ارائه می­دهد.

    زیرفضای تخصیص­داده­شده برای هر قانون را توسعه می­دهد و درنتیجه افزایش نسبی عمومی­سازی را منجر می­شود.

    مطالب مربوط به این رساله در پنج فصل به شرح 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 توضیح می­دهد.

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

    فصل پنجم. کار­های پیش رو و اهداف آینده بررسی می­شود.

    فصل دوم

     

     

    مروری بر یادگیری سیستم­ های فازی

     

    2. مروری بر یادگیری سیستم­های فازی

    این فصل، مقدمه­ مختصری از تحقیقاتی که در این حوزه یعنی طبقه­بندی­کننده­های فازی و نحوه تکامل و یادگیری آن­ها که با الگوریتم­های تکاملی متعدد انجام شده است و مزایا و معایب آن­ها را ارائه می­کند.

     

     

    2-1. مقدمه

    تاکنون تکنیک­های متعددی برای استخراج مجموعه قوانین فازی از داده­های عددی ارائه شده است. علیرغم تلاش­های متعددی که در زمینه بهبود کارایی طبقه­بندی­کننده­های فازی ارائه شده، یکی از نقاط ضعف این روش­ها نسبت به روش­های آماری، حساسیت آن­ها به نویز و نیز کمبود عمومیت بخشی می­باشد. برای بهینه‌سازی عام، اغلب از روش‌های تکاملی استفاده می‌شود. همچنین به دلیل وجود پارامتر­های متعددی که در ساختار فازی وجود دارد، الگوریتم­های تکاملی به­صورت مکرر در ترکیب با طبقه­بندی­کننده­های فازی بررسی و آزمایش شده­اند. اگرچه چندین نوع متفاوت از الگوریتم­های تکاملی، شامل استراتژی­های تکاملی[30] و الگوریتم ژنتیک[31] وجود دارد، اما به­طور کلی، تفاوت اصلی آن­ها، نحوه کدکردن و مکانیزم تکامل آن­ها است.

    علاوه بر توانایی این الگوریتم­ها در فضاهای جستجوی پیچیده، ساختار کد و کارایی­های مستقل آن­ها، باعث می­شود که آن­ها کاندیدای مناسبی برای ترکیب کردن یک دانش پیشین[32] باشند. در مورد یک طبقه­بندی کننده فازی، دانش پیشین به شکل متغیر­های زبانی، پارامتر­های تابع عضویت فازی، قوانین فازی، تعداد قوانین و ... اطلاق می­شود. این توانایی­ها، استفاده از الگوریتم­های تکاملی را در توسعه راهکار­هایی برای طراحی طبقه­بندی کننده­های فازی در طی چند سال اخیر افزایش داده است[12-14].

     

     

    2-2. حوزه تکامل[33] قوانین فازی

    در سیستم­ های فازی قسمت­های متفاوتی در آن می­توانند تکامل یابند. می­توان پارامتر­های توابع عضویت فازی را به عنوان متغیر قرار داد تا تکامل یابند و یا می­توان بدون دستکاری این پارامتر­ها تنها قوانین فازی را تکامل داد. در یک الگوریتم تکاملی، می­توان توابع عضویت مجموعه­های فازی را با قوانین فازی در یک زمان تکامل داد. [15] Murata، یک روش کدینگ باینری ارائه داد به این صورت که بیتی که مقدار 1 دارد نشان ­دهنده این است که تابع عضویت مربوط به آن بیت فعال است. در این روش مجموعه­های فازی در میان قوانین فازی کد می­شوند. Karr [16] مکانیسمی برای تکامل مجموعه های فازی مثلثی[34] ارائه داد. او دو نقطه کنترلی که اساس مجموعه فازی مثلثی را تعریف می­کنند در کروموزوم کد کرد. برای انتخاب ویژگی نیز می­توان از الگوریتم­های تکاملی استفاده کرد. بعضی ویژگی­ها در طبقه­بندی قابل استفاده نیستند. الگوریتم­های تکاملی به­طور گسترده­ای در راهکار­های Wrapper برای انتخاب ویژگی استفاده می­شوند. [17] Kudo نشان داد الگوریتم­های تکاملی، معمولا نتایج بهتری نسبت به الگوریتم­های غیرتکاملی حاصل می­شود. به­طور کلی ما می­توانیم ویژگی­ها را وزن بدهیم به­جای اینکه یک ویژگی کاملا موجود باشد یا نباشد. نقض الگوریتم­های تکاملی برای انتخاب ویژگی، سرعت پایین آن نسبت به الگوریتم­های غیرتکاملی است.[18]

     

    2-3. یادگیری سیستم­های طبقه­بندی کننده فازی[35]

    به دلیل تنوع الگوریتم­های تکاملی، استفاده از انواع آن­ها در سیستم­های فازی باعث تحقیقات گسترده ای در این زمینه­ شده است. در اینجا به بحث و بررسی  تعدادی از آن­ها می­پردازیم.

    Abstract

     

     

    Improving the Construction and Combination of Fuzzy Rules using Imperialist Competitive Algorithm

     

     

    Constructing general and understandable classifier from data, play an important role in many machine learning areas. So far, several techniques have been introduced for classification and pattern recognition. One of the most successful and unique practices in area of classification and pattern recognition of input data, is to generate fuzzy rules for soft partitioning of feature space and connecting these sub-space together.

    In this study, a new weighting scheme is proposed for weightening of fuzzy rules using Imperialist Competitive Algorithm (ICA) which is an evolutionary algorithm. This combination considers more important rules using the optimized weigths. The main contribution of this study is to redefine the ICA operators till to be fitted to manipulate the fuzzy rules. First, Ishibuchi technique is employed to construct the primary rules. The second phase is the refining the rules which is done by applying the proposed ICA to the rules.

    In another approach, ICA is employed for rule generation instead of the Ishibuchi algorithm. This method enhances the classification performance of the fuzzy rule based classifier system. Finally, the goal is constructing low number of rules which have the shorter length and being more interpretable from an input data.

    The proposed algorithm is evaluated and compared to non-fuzzy and basic classifiers such as SVM, C4.5, 1NN and Naive Bayes and also other conventional evolutionary based fuzzy classifiers.

    Key words: classification, pattern recognition, Imperialist Competitive Algorithm, fuzzy classifier, non-fuzzy classifier, rule weightening

  • فهرست:

    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 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 استفاده 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

     

    منبع:

     

    Zadeh. "Fuzzy sets". Information and Control, (8):338–352, 1965.

    H. Ishibuchi and T. Yamamoto, "Fuzzy Rule Selection by Multi-Objective Genetic Local Search Algorithms and Rule Evaluation Measures in Data Mining," Journal of Fuzzy Sets and Systems, vol. 141, no. 1, pp. 59-88, January 2004.

    H. Ishibuchi, T. Nakashima and T. Murata, "Three-objective genetics-based machine learning for linguistic rule extraction," Journal of Information Sciences, vol. 136, no. 4, pp. 109-133, 2001.

    Eghbal G. Mansoori, Mansoor J. Zolghadri  and Seraj D. Katebi, "SGERD: A Steady-State Genetic Algorithm for Extracting Fuzzy Classification Rules From Data", Journal of IEEE TRANSACTIONS ON FUZZY SYSTEMS, vol. 16, no. 4, pp. 1061-1071, 2008.

    H. Ishibuchi, K. Nozaki and H. Tanaka, "Distributed representation of fuzzy rules and its application to pattern classification," Journal of Fuzzy Sets and Systems, vol. 52, no. 1, pp. 21-32, Nov 1992.

    Marghny H. Mohamed, "Rules extraction from constructively trained neural networks based on genetic algorithms," Journal of Neurocomputing, vol. 74, no. 17,  pp. 3180-3192, October 2011.

    J. Gomez, D. Dasgupta, O. Nasraoui, and F. Gonzalez. Complete expression trees for evolving fuzzy classifier systems with genetic algorithms. In Proceedings of the North American Fuzzy Information Processing Society Conference NAFIPS-FLINTS 2002, pages 469–474, 2002.

    A. A. Freitas. A survey of evolutionary algorithms for data mining and knowledge discovering. In Advances in Evolutionary Computation. A. Ghosh and S. Tsutsui. (Eds.). Springer-Verlag, 2001.

    Q.Zhang, C.Wang, "Using Genetic Algorithm to Optimize Artificial Neural Network: A Case Study on Earthquake Prediction", Second International conference on Genetic and Evolutionary Computing, pp. 128-131,  Sep 2008.

    Jesús Alcalá-Fdez, Rafael Alcalá, María José Gacto and Francisco Herrera, "Learning the membership function contexts for mining fuzzy association rules by using genetic algorithms," Fuzzy Sets and Systems, vol. 160, no. 7, pp. 905-921, April 2009.

    E. Atashpaz-Gargari and C. Lucas," Imperialist competitive algorithm: An algorithm for optimization inspired by imperialistic competition," IEEE Congress on Evolutionary computation, pp. 4661-4667, September 2007.

    J. Casillas, F. Herrera, R. Pérez, M.J. del Jesus, P. Villar, Special issue on genetic fuzzy systems and the interpretability—accuracy tradeoff—editorial, International Journal of Approximate Reasoning 44 (1) (2007) 1–3.

    F. Herrera, Genetic fuzzy systems: taxonomy, current research trends and prospects, Evolutionary Intelligence 1 (2008) 27–46.

    J. Casillas, B. Carse, Preface: genetic fuzzy systems: recent developments and future directions, Special issue on genetic fuzzy systems: recent developments and future directions, Soft Computing 13 (2009) 417–418.

    T. Murata, S. Kawakami, H. Nozawa, M. Gen, and H. Ishibushi. Three-objective genetic algorithmsfor designing compact fuzzy rule-based systems for pattern classification problems. In Proceedings of the Genetic and Evolutionary Computation Conference GECCO’01, pages 485–492, 2001.

    C. Karr. Genetic algorithms for fuzzy controllers. AI Experts, pages 26–33, 1991.

    M. Kudo, P. Somol, P. Pudil, M. Shimbo and J Sklansky, " Comparison of Classifier-Specific Feature Selection Algorithms",pattern recognition, vol. 1876, pp.678-686, 2000.

    Alex A. Freitas ,"Data Mining and Knowledge Discovery with Evolutionary Algorithms", Springer; 2002 edition Aug 2002.

    Valenzuela-Rendon ,"  The fuzzy classifier system: A classifier system for continuously varying variables", In: Proc. of 4th International Conference on Genetic Algorithms (ICGA'91), pp 346-353, 1991.

    A. Parodi, P. Bonelli, "A New Approach to Fuzzy Classifier Systems",. ICGA 1993: pp.223-230, 1993.

    H. Ishibuchi, K. Nozaki and H. Tanaka, "Distributed representation of fuzzy rules and its application to pattern classification," Journal of Fuzzy Sets and Systems, vol. 52, no. 1, pp. 21-32, Nov 1992.

    H. Ishibuchi , T. Yamamoto , T. Nakashima, " Hybridization of fuzzy GBML approaches for pattern classification problems ", IEEE Transaction on Systems, Man and Cybernetics, Volume 35, Issue 2, pp. 359-365, April 2005.

    A. Bonarini. Evolutionary learning of fuzzy rules: competition and coop- eration. In W. Pedrycz, editor, Fuzzy Modelling: Paradigms and Practice, pp. 265–284. Norwell, MA: Kluwer Academic Press, 1996. 4.2.

    A.Bonarini and V.Trianni, "Learnign classifier systems for multi-agent coordination Information Sciences", 136:215-239, 2001.3.4.

    J.Casillas, B. Carse, L. Bull, " Fuzzy-XCS: A Michigan Genetic Fuzzy System",  IEEE Transaction on Fuzzy Systems, Vol. 15, Issue 4, pp. 536-550, Aug 2007.

    T. Murata H. Ishibuchi and I.B.Turksen. Selecting linguistic classification rules by two-objective genetic algorithms. In Proceedings of the 1995 IEEE International Conference on Systems, Man and Cybernetics, pages 1410– 1415, Vancouver, Canada, October 1995. IEEE. 3.4.3.

    M. Russo, "GEFREX: A GEnetic Fuzzy Rule EXtractor", International Journal of  Knowledge-Based and Intelligent Engineering Ssytems, pp.49-59, 1999.

    J.A. Sanz, A. Fernández, H Bustince and F.Herrera, " Improving the performance of fuzzy rule-based classification systems with interval-valued fuzzy sets and genetic amplitude tuning ", journal of Information Sciences 180 (2010) 3674–3685.

    J.S. Aguilar-Ruiz, J.C. Riquelme, and M. Toro. (2003). Evolutionary learning of hierarchical decision rules. IEEE Transactions on Systems, Man, and Cyberneticts - Part B: Cybernetics, 33(2):324–331.

    J. Brian Gray and Guangzhe Fan. (2008). Classification tree analysis using TARGET. Computational Statistics & Data Analysis, 52(3):1362–1372.

    A. Gonz´alez, R. P´erez, " SLAVE: A Genetic Learning System Based on an Iterative Approach ", IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. 7, NO. 2, pp. 176-191, APRIL 1999.

    F. Farahbod, M. Eftekhari, " AN EVOLUTIONARY APPROACH FOR LEARNING RULEWEIGHTS IN FUZZY RULE-BASED CLASSIFICATION SYSTEMS" , International Journal of Fuzzy Logic Systems (IJFLS) Vol.2, No.3, July 2012

    C. Andrés Pena-Reyes, Moshe Sipper ,"Fuzzy CoCo: A cooperative-coevolutionary approach to fuzzy modeling", IEEE Transactions on Fuzzy Systems, Vol. 9, Issue 5, pp.727-737, 2001.

    Mendes, R., R., F., Voznika, F., de B., Freitas, A., A., Nievola, J. C. "Discovering Fuzzy Classification Rules with Genetic Programming and Co-Evolution, In Principles of Data Mining and Knowledge Discovery (Proc. 5th European Conference PKDD 2001) –Lecture Notes in Artificial Intelligence, Springer-Verlag.

    Mendes, R., R., F., Voznika, F., de B., Freitas, A., A., Nievola, J. C. "Discovering Fuzzy Classification Rules with Genetic Programming and Co-Evolution, In Principles of Data Mining and Knowledge Discovery (Proc. 5th European Conference PKDD 2001) –Lecture Notes in Artificial Intelligence, Springer-Verlag.

    Mendes, R., R., F., Voznika, F., de B., Freitas, A., A., Nievola, J. C. "Discovering Fuzzy Classification Rules with Genetic Programming and Co-Evolution, In Principles of Data Mining and Knowledge Discovery (Proc. 5th European Conference PKDD 2001) –Lecture Notes in Artificial Intelligence, Springer-Verlag.

    H. Ishibuchi, S. Mihara, and Y. Nojima, “Parallel distributed hybrid fuzzy GBML models with rule set migration and training data rotation,” IEEE Trans. on Fuzzy Systems (in press).

    Elragal, Hassan M, " Using Swarm Intelligence for Improving Accuracy of Fuzzy Classifiers", International Journal of Electrical & Computer Engineering;2010, Vol. 5 Issue 2, p105, 2010.

    F. Beloufa and  M.A. Chikh , " Design of fuzzy classifier for diabetes disease using Modified Artificial Bee Colony algorithm ", Computer Methods and Programs in Biomedicine, Volume 112, Issue 1, October 2013, Pages 92–.

    R.S. Parpinelli, H.S. Lopes, and A.A. Freitas. (2002). Data mining with an ant colony optimization algorithm. IEEE Transactions on Evolutionary Computation, 6(4):321–332.

    M. F. Ganji and M. Saniee Abadeh, "A fuzzy classification system based on Ant Colony Optimization for diabetes disease diagnosis", journal of Expert Systems with Applications 38 (2011) , pp.14650–14659.

    R. Rajabioun, F. Hashemzadeh, E. Atashpaz-Gargari, B. Mesgari, F. Rajaei Salmasi, Identification of a MIMO evaporator and its decentralized PID controller tuning using Colonial Competitive Algorithm, In the proceeding of IFAC World Congress, Seoul, Korea, 2008, pp. .9952-9957.

    E. Atashpaz-Gargari, F. Hashemzadeh, R. Rajabioun, C. Lucas, Colonial competitive algorithm: A novel approach for PID controller design in MIMO distillation column process, International Journal of Intelligent Computing and Cybernetics. 1(3),pp. 337-355,2008.

    H. Sepehri Rad, C. Lucas, Application of Imperialistic Competition Algorithm in recommender systems, In 13th Int'l CSI Computer Conference (CSICC'۰۸), Kish Island, Iran., 2008.

    A. Biabangard-Oskouyi, E. Atashpaz-Gargari, N. Soltani, and C. Lucas, “Application of Imperialist Competitive Algorithm for Material Properties Characterization from Sharp Indentation Test,” Int J Eng Simul, vol. 10, no. 1, 2009.

    T. Maryam, F. Nafiseh, L. Caro, and T. Fattaneh, “Artificial Neural Network Weights Optimization based on Imperialist Competitive Algorithm.

    R. Rajabioun, E. Atashpaz-Gargari, C. Lucas, Colonial Competitive Algorithm as a Tool for Nash Equilibrium Point Achievement, Springer Lecture Notes in Computer Science (LNCS). 680-695, 2008.

    A. Jasour, E. Gargari, and C. Lucas, “Vehicle Fuzzy Controller Design Using Imperialist Competitive Algorithm,” in Second First Iranian Joint Congress on Fuzzy and Intelligent Systems, Tehran, Iran, 2008.

    Lin, J.-L.; Tsai, Y.-H.; Yu, C.-Y.; Li, M.-S. Interaction Enhanced Imperialist Competitive Algorithms, 5, 433-448, 2012.

    Shahram Mollaiy Berneti, Mehdi Shahbazian," An Imperialist Competitive Algorithm Artificial Neural Network Method to Predict Oil Flow Rate of the Wells ", International Journal of Computer Applications (0975 – 8887) Volume 26– No.10, July 2011.

    H.  Ishibuchi, T. Nakashima, T. Morisawa,  "Voting in fuzzy rule-based systems for pattern classification problems",‌ Fuzzy Sets and Systems, Volume 103, Issue 2, 16 April 1999, Pages 223–238.

    Ishibuchi, H. and T. Yamamoto (2002a). “Fuzzy rule selection by data mining criteria and genetic algorithms,” Proc. of 2002 Genetic and Evolutionary Computation Conference, 399-406.

    N. V. Chawla, “C4. 5 and imbalanced data sets: investigating the effect of sampling method, probabilistic estimate, and decision tree structure,” In Proceedings of the ICML (Vol. 3), 2003.

    J. Demsar, “Statistical comparisons of classifiers over multiple data sets”, The Journal of Machine Learning Research, vol. 7, pp. 1-30, 2006.


تحقیق در مورد پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, مقاله در مورد پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, پروژه دانشجویی در مورد پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, پروپوزال در مورد پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, تز دکترا در مورد پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, تحقیقات دانشجویی درباره پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, مقالات دانشجویی درباره پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, پروژه درباره پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, گزارش سمینار در مورد پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, پروژه دانشجویی در مورد پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, تحقیق دانش آموزی در مورد پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, مقاله دانش آموزی در مورد پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری, رساله دکترا در مورد پایان نامه بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری

پایان نامه جهت اخذ مدرک کارشناسی ارشد در رشته مهندسی کامپیوتر – گرایش نرم‌افزار چکیده در تمامی پروژه­ هایی که امروزه انجام می­شوند بحث مدیریت مسأله­ای بسیار تعیین کننده است. پروژه­های نرم­افزاری نیز از این قاعده مستثنی نیستند. از مهم‌ترین جنبه­های فعالیت توسعه نرم­افزاری بحث مدیریت زمان و هزینه است. با توجه به اینکه در مراحل ابتدایی توسعه نرم­افزار اطلاعات دقیقی نسبت به جنبه­های ...

دریافت درجه‌ی کارشناسی ارشد در رشته مهندسی برق گرایش الکترونیک چکیده مکانیزه کردن ادوات، یکی از مهم ترین و گسترده‌ترین زمینه‌هایی است که در فرآیندهای تولید استفاده می‌شود. با توجه به پیچیدگی و عدم اطمینان از فرآیندهای ماشین‌کاری، اخیراً تکنیک‌های محاسبات نرم[1] مبتنی بر مدل‌های فیزیکی برای پیش‌بینی عملکرد ماشینکاری فرآیندها و بهینه سازی آنها به روش‌های متداول ترجیح داده شده‌اند. ...

پایان­نامه برای دریافت درجه کارشناسی ارشد رشته مهندسی کامپیوتر – هوش مصنوعی چکیده بخش­بندی تصویر یک فرآیند اساسی در بسیاری از کاربردهای پردازش­ تصویر و بینایی ماشین است که می­تواند به عنوان اولین مرحله پردازش سطح پایین در پردازش تصاویر دیجیتالی در نظر گرفته شود. بخش­بندی تصویر کاربردهای گوناگونی مانند پردازش تصاویر پزشکی، شناسایی چهره، سیستم­های کنترل ترافیک و غیره دارد. با توجه ...

سمینار برای دریافت درجه‌ی کارشناسی ارشد در رشته مهندسی برق گرایش الکترونیک چکیده مکانیزه کردن ادوات، یکی از مهم ترین و گسترده‌ترین زمینه‌هایی است که در فرآیندهای تولید استفاده می‌شود. با توجه به پیچیدگی و عدم اطمینان از فرآیندهای ماشین‌کاری، اخیراً تکنیک‌های محاسبات نرم[1] مبتنی بر مدل‌های فیزیکی برای پیش‌بینی عملکرد ماشینکاری فرآیندها و بهینه سازی آنها به روش‌های متداول ترجیح ...

پایان ‌نامه برای دریافت درجه کارشناسی ارشد رشته مهندسی کامپیوتر - هوش مصنوعی چکیده خوشه‌بندی داده‌ها روشی برای دسته‌بندی داده‌های مشابه می باشد که این روش سال‌ها در علوم مختلف به کار رفته و الگوریتم‌های زیادی در این زمینه طراحی شده است . تحقیقات اخیر خوشه‌بندی به سمت روش های ترکیبی که دارای قابلیت استحکام و دقت بیشتر هستند، هدایت می‌کند. خوشه‌بندی ترکیبی سعی می‌کند ابتدا ...

پایان نامه کارشناسی ارشد رشته مهندسی عمران – سازه‌ های هیدرولیکی چکیده: رودخانه‌ ها از مهم‌ترین و متداول‌ترین منابع تأمین آب آشامیدنی، کشاورزی و صنعتی به شمار می‌آیند. این منابع به علت عبور از بسترهای مختلف و ارتباط مستقیم با محیط پیرامون خود نوسانات کیفی زیادی دارند. از اینرو پیش‌بینی کیفیت جریان رودخانه‌ها که پدیده‌ای غیر قطعی، تصادفی و تأثیرپذیر از برخی عوامل طبیعی و غیر ...

پايان نامه مقطع کارشناسي رشته مهندسي مکانيک سال 1386 چکيده: در اين پروژه، ورودي‌ها و خروجي‌هاي يک سيستم چند ورودي و چند خروجي غير خطي، براي ايجاد يک مدل ديناميکيِ هوشمند، استفاد

پايان نامه براي دريافت درجه کارشناسي ارشد رشته مهندسي صنايع گرايش صنايع- صنايع اسفند 90 چکيده امروزه با توجه به پيشرفت در تکنولوژي، جهاني‌شدن بازارها، تنوع­طلبي مشتريان و افزايش

پایان نامه کارشناسی ارشد در رشته مهندسی اتوماسیون و ابزار دقیق چکیده ارائه روشی جدید در خوشه­بندی اطلاعات با استفاده ازترکیب الگوریتم خفاش و Fuzzy c-means خوشه­بندی قرار دادن داده­ها در گروه­هایی است که اعضای هر گروه از زاویه خاصی به هم شباهت دارند . شباهت بین داده­های درون هر خوشه حداکثر و شباهت بین داده­­های درون خوشه­های متفاوت حداقل می­باشد. Fuzzy c-means نیز یک تکنیک ...

پایان‌نامه کارشناسی‌ارشد مهندسی برق گرایش کنترل چکیده روش‌های‌‌ نوین شناسایی خطا در سیستم‌‌ها‌ همچون استفاده از تحلیل کیفی‌وقایع می‌تواند منجر به نتایج ملموس و قابل فهمی‌برای همگان باشد. سیستم توربین گازی جزو سیستم‌هایی است که احتمال وقوع خطاهای زیادی در آن وجود دارد. و حتی گاهی مدلسازی آنها با روش‌های ریاضی به سختی قابل انجام می‌باشد. روش تحلیل‌ کیفی‌وقایع به زبانی ساده و گویا ...

ثبت سفارش