فایل ورد کامل تحقیق یادگیری طبقه بندی کننده های فازی و معرفی الگوریتم رقابت استعماری ۵۸ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل تحقیق یادگیری طبقه بندی کننده های فازی و معرفی الگوریتم رقابت استعماری ۵۸ صفحه در word دارای ۵۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل تحقیق یادگیری طبقه بندی کننده های فازی و معرفی الگوریتم رقابت استعماری ۵۸ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل تحقیق یادگیری طبقه بندی کننده های فازی و معرفی الگوریتم رقابت استعماری ۵۸ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل تحقیق یادگیری طبقه بندی کننده های فازی و معرفی الگوریتم رقابت استعماری ۵۸ صفحه در word :

بخشی از فهرست مطالب فایل ورد کامل تحقیق یادگیری طبقه بندی کننده های فازی و معرفی الگوریتم رقابت استعماری ۵۸ صفحه در word

فصل اول:    
۱ مقدمه    
۱-۱ مقدمه    
۱-۲ شرح مسئله    
۱-۳ چالشها    
فصل دوم    
۲ مروری بر یادگیری سیستمهای فازی    
۲-۱ مقدمه    
۲-۲ حوزه تکامل قوانین فازی    
۲-۳ یادگیری سیستمهای طبقهبندی کننده فازی    
۲-۳-۱ یادگیری سیستمهای طبقهبندی کننده فازی براساس الگوریتم ژنتیک    
۲-۳-۲ الگوریتمهای تکامل همزمان    
۲-۳-۳ یادگیری قوانین فازی با استفاده از الگوریتم ازدحام ذرات    
۲-۳-۴ یادگیری قوانین فازی با استفاده از الگوریتم زنبور عسل    
۲-۳-۵ یادگیری قوانین فازی با استفاده از الگوریتم مورچگان    
۲-۴ الگوریتم رقابت استعماری    
۲-۴-۱ ویژگیهای الگوریتم رقابت استعماری    
۲-۴-۲ کاربردهای الگوریتم رقابت استعماری    
۲-۵ جمع بندی    
فصل سوم    
الگوریتم تکامل همزمان برای کشف قوانین فازی    
۳ الگوریتم تکامل هم زمان برای کشف قوانین فازی    
۳-۱ مقدمه    
۳-۲ طبقه بندی کننده های فازی    
۳-۲-۱ سیستم های استنتاج فازی    
۳-۲-۲ طبقه بندی کننده های فازی    
۳-۳ الگوریتم  CORE    
۳-۴ الگوریتم  ISHIBUCHI( سال ۲۰۱۳)    
۳-۵ روش  GBML-IVFS-AMP    
۳-۶ الگوریتم GNP برای ورندهی به قوانین فازی    
۳-۷ روش TARGET    
۳-۸ روش SGERD    
۳-۹ الگوریتم رقابت استعماری    
۳-۹-۱ مقداردهی اولیه امپراطوریها    
۳-۹-۲ عملگر  ASSIMILATION    
۳-۹-۳ استراتژی بهینه سازی مبتنی بر تکامل اجتماعی سیاسی    
فهرست منابع    

بخشی از منابع و مراجع فایل ورد کامل تحقیق یادگیری طبقه بندی کننده های فازی و معرفی الگوریتم رقابت استعماری ۵۸ صفحه در word

۱-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,

۲-H. Sepehri Rad, C. Lucas, Application of Imperialistic Competition Algorithm in recommender systems, In 13th Int’l CSI Computer Conference (CSICC’08), Kish Island, Iran.,

۳-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,

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

۵-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,

۶-A. Bonarini. Evolutionary learning of fuzzy rules: competition and coop- eration. In W. Pedrycz, editor, Fuzzy Modelling: Paradigms and Practice, pp. 265–۲۸۴ Norwell, MA: Kluwer Academic Press,

۷-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),

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

۹-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 469–۴۷۴, ۲۰۰۲

۱۰-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,

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

۱۲-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

۱۳-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– ۱۴۱۵, Vancouver, Canada, October 1995. IEEE

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

فصل اول

مقدمه

در این فصل به شرح کلیاتی پیرامون انگیزه ی انتخاب موضوع، طبقه ­بندی کننده­ های فازی و همچنین شرحی بر مسئله و کاربردها و چالش های می­پردازد

تاکنون دانشمندان حوزه داده کاوی تلاش­های بسیاری برای جدا­سازی صحیح نمونه­های مشابه کرده­اند. استخراج طبقه­بند­های عام[۱] و قابل فهم از داده، نقش مهمی در بسیاری از حوزه­ها و مسائل است. تاکنون روش­های متعددی برای طبقه­بندی[۲] و تشخیص الگو[۳] 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[۴] است[۱]. 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[۵] با توجه به نحوه تخصیص تولید می­شوند. مدل­سازی سیستم­های فازی بصورت مجموعه­ای از این قوانین نمایش داده می­شود

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[۶] محور بودن ساختار قوانین فازی علیرغم استخراج دانش، مشکل اثبات ریاضی کارایی طبقه­بندی­کننده از جمله ارائه یک کران­ بالا[۷] برای خطای آموزش[۸] و خطای تست[۹] است. به­عبارتی افزایش عمومی­سازی[۱۰] این طبقه­بندی­کننده­ها بصورت ریاضی مانند طبقه­بندی کننده تقویتی گروهی[۱۱] کار بسیار دشواری است. از این­رو اغلب از روش­های مکاشفه­ای[۱۲] و فوق مکاشفه­ای[۱۳] 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 [۲]-[۴] . ایشیبوشی[۱۴][۵] 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

شرح مسئله

پروسه یادگیری یک سیستم طبقه­ بندی فازی باید مسایل مختلفی را حل کند تا یک سیستم طبقه­بندی زبانی را با یک رفتار صحیح ایجاد نماید. از جمله اینکه بتواند، ۱- مجموعه­ای از قوانین فازی را ایجاد کند که دارای یک سطح لازم همکاری بین این قوانین فازی باشد. ۲- انتخاب یک تابع استنتاج که روشی را برای ترکیب اطلاعات به­دست آمده از قوانین فازی در کلاسه­بندی نمونه­ها انتخاب می­کند. ۳- 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[۵-۶] یا الگوریتم ژنتیک [۲-۴]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 .[۷-۸] این الگوریتم‌ها شامل الگوریتم‌های ژنتیک[۱۵]، بهینه‌سازی گروه ذرات[۱۶]، گداختگی شبیه‌سازی شده[۱۷] و; می‌باشند

از آنجایی که الگوریتم­های تکاملی[۱۸] به­صورت چند­عاملی[۱۹] 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.[۲], [۴]  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 [۹] 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[۲۰] 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[۱۰]

[۱] general

[۲] Classification

[۳] pattern recognition

[۴] membership function

[۵] If-Then

[۶] natural  language

[۷] upper bound

[۸] train error

[۹] test error

[۱۰] generalization

[۱۱] Boosting

[۱۲] heuristic

[۱۳] meta-heuristic

[۱۴] Ishibuchi

[۱۵] Genetic Algorithm

[۱۶] Particle Swarm Optimization

[۱۷] Simulated Annealing

[۱۸] Meta heuristic

[۱۹] multi-agent

[۲۰] uncertainty