عنوان

ارائه الگوریتمی موثر برای یادگیری قوانین برپایه ی محاسبات گرانولار,‮‭An Effective Rule Learning Algorithm based on Granular Computing‬

شماره

‭۲۰۰۸۵پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

ارائه الگوریتمی موثر برای یادگیری قوانین برپایه ی محاسبات گرانولار

عنوان اصلي به زبان ديگر

‮‭An Effective Rule Learning Algorithm based on Granular Computing‬

نام نخستين پديدآور

/صالح صلحی

نام ناشر، پخش کننده و غيره

: علوم ریاضی

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۷‬

نام توليد کننده

، راشدی

نام خاص و کميت اثر

‮‭۷۹‬ص‬

متن يادداشت

چاپی - الکترونیکی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

علوم کامپیوتر گرایش سیستم های هوشمند

زمان اعطا مدرک

‮‭۱۳۹۷/۰۷/۱۵‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

یادگیری قوانین یکی از ابزارهای معروف در کاربردهای مختلف یادگیری ماشین و داده کاوی است که در سیستم های مبتنی بر قانون به کار برده می شود .یادگیری قوانین عبارت از اضافه کردن قانون و توسعه قانون و ایجاد تطبیق پذیری در قانون از روی داده ها است .امروزه با حجم انبوهی از داده ها اطلاعات و دانش مواجه هستیم که برای کنترل چنین مقدار وسیعی از داده ها نیازمند هوشمندسازی و ارائه ی الگوریتمی موثر هستیم .یادگیری قانون به کمک روش های هوش مصنوعی به صورت دقیق و خطای کم همیشه به صورت یک چالش مطرح بوده است .قوانین تصمیم گیری در سیستم های مبتنی بر قانون به صورت عبارت های اگر آنگاه بیان می شوند.چنین قوانینی قادر به بیان دانش ضمنی از مجموعه داده های حجیم به صورت قابل فهم برای انسان هستند.سیستم های مبتنی بر قانون در مسائل مختلف طبقه بندی و پیش بینی به کار برده میشوند .در این پایان نامه الگوریتم جدید یادگیری قوانین با استفاده از روش های خوشه بندی ترکیبی و محاسبات گرانولار ارائه شده است .در الگوریتم پیشنهادی ابتدا مجموعه داده ها با استفاده از پنج الگوریتم خوشه بندی می شوند سپس از بین نتایج آنها به صورت ترکیبی بهترین خوشه انتخاب می شود.در الگوریتم ترکیبی قبل از انتخاب بهترین خوشه نمونه داده ها با استفاده از نظریه ناهمواری که زیر مجموعه ای از محاسبات گرانولار است تبدیل به اطلاعات گرانولی می شوند .محاسبات گرانولار توانایی پردازش داده هایی که به صورت نادقیق و مبهم هستند را دارند و همچنین بدون نیاز به اطلاعات اضافی از طرف کاربر موجب کاهش افزونگی در داده ها می شوند .پس از خوشه بندی قوانین تصمیم گیری استخراج شده و با استفاده از الگوریتم خوشه بندی فازی سی میانگین با روش حداقل مربعات خطا عمل یادگیری انجام می گیرد .نتایج حاصل از الگوریتم موجب افزایش دقت یادگیری شده است

متن يادداشت

Rule learning is one of the most popular tools in machine learning and data mining applications. The learning of the rules is the addition of the rule, the development of the rule and the creation of data matching in the rule. Nowadays, we are faced with a big amount of data, information and knowledge that requires intelligent and effective algorithms to control such a large amount of data. The study of rules by means of artificial intelligence techniques and low error has always been a challenge. Decision-making rule-based systems are expressed as an if-then phrases. This rules are capable of descovering knowledge of a big data set . Rule-based systems are used in classification and predicted problems. In this thesis, we proposed a new algorithm for rule learning problem. Which that using combined clustering methods and granular computing. In this algorithm, the data sets are firstly clustered by the five clustering algorithms. Then using the ensemble clustering for combine the output of clusters and selected the best clusters om output of clustering which that as an best result. Afer clustering the data set convert data samples to the granular information by using the rough set theory which that a subset of granular computing. Then decision rule extracted from clusters and send to fuzzy C-means clustering algorithm with least squares error method to learning the rules. The results of the proposed algorithm indicate improvement accuracy in learning phase of the previous met

عنوان اصلي به زبان ديگر

‮‭An Effective Rule Learning Algorithm based on Granular Computing‬

مستند نام اشخاص تاييد نشده

صلحی، صالح

مستند نام اشخاص تاييد نشده

Solhi, Saleh

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی