پایان‌نامه هوش مصنوعی خوشه‌بندی فازی دادهها براساس منطق فازی

۸۰ هزار تومان ۴۰ هزار تومان
افزودن به سبد خرید

جهت خرید و دانلود پایان‌نامه هوش مصنوعی خوشه‌بندی فازی دادهها براساس منطق فازی روی خرید محصول کلیک و یا با ایمیل زیر در ارتباط باشید

sellthesis@gmail.com


پایاننامه کارشناسی ارشد کامپیوتر هوش مصنوعی خوشه‌بندی فازی داده‌ها بر اساس منطق فازی


خرید محصول پایان‌نامه هوش مصنوعی خوشه‌بندی فازی دادهها براساس منطق فازی


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 خوشه‌بندی های اولیه تولید کند که تا حد ممکن دارای پراکندگی باشند سپس با اعمال یک تابع توافقی نتایج را با هم ترکیب می‌کند. در این پژوهش از ترکیب خوشه‌بندی فازی و ماشین بردار پشتیبان برای دسته‌بندی استفاده می‌شود.
SVM یکی از روش‌های یادگیری با نظارت است که از آن برای دسته‌بندی داده‌ها استفاده می‌شود. SVM شبکه جدید و قدرتمندی است که فرمولی که برای یادگیری استفاده می‌کند بر اساس به حداقل رساندن مقدار خطاست. آموزش SVM ارتباط مستقیم با تعداد داده‌های آموزش دارد و اگرتعداد مراکز خوشه‌ها زیاد باشد زمان آموزش و حجم حافظه به شدت افزایش می‌یابد. شبکه ترکیبی (FS-FCSVM) بدین شکل است که عمل خوشه‌بندی فازی بر روی داده‌های ورودی انجام می‌گیرد سپس پارامتر های شبکه با SVM آموزش می‌بینند، در نتیجه به شبکه ای با قابلیت تعمیم پذیری بالا دست می‌یابد. تعداد قوانین در این گونه سیستم‌ها به نسبت سیستم‌های فازی کوچکتر و زمان محاسبات آن کمتر است .
در این پژوهش از روش خوشه‌بندی کاهشی قبل از خوشه‌بندی فازی استفاده می‌شود.ایده اصلی خوشه‌بندی کاهشی جستجوی نواحی با چگالی بالا در فضای مشخصه اطلاعات داده‌ها است. هر نقطه که بیشترین تعداد همسایه را داشته باشد به عنوان مرکز خوشه انتخاب می‌شود.بعبارت دیگر با استفاده از تکنیک خوشه‌بندی کاهشی جهت انتخاب نقاط ویژگی که دارای تمایز بیشتر و شباهت کمتر نسبت به دیگر نقاط دارند استفاده شده است.
در این پایان نامه ایده کار استفاده از خوشه‌بندی تفاضلی جهت پیدا کردن دقیق نقاط مرکزی خوشه‌ها و تعداد خوشه‌هاست که با این کار تعداد تکرار خوشه‌بندی فازی را کاهش می دهیم و همچنین از همین نقاط مرکزی به عنوان بخشی ازداده‌های آموزشی استفاده می کنیم و بخش دوم کار مربوط به انتخاب قسمت دیگر داده‌های آموزشی می‌باشد که برای انتخاب آنها نیز از ماتریس تعلق حاصل از خوشه‌بندی فازی بهره گرفته ایم که با تعیین یک محدوده عددی داده‌های دور از مرکز هر داده را نیز به عنوان بخش دیگر داده‌ها انتخاب کردیم که نهایتا با انتخاب این نقاط توانستیم تعداد داده‌های آموزشی را تا حد قابل ملاحظه ای تقلیل دهیم.
نتایج آزمایشات انجام شده بر روي مجموعه دادههاي بزرگ پایگاه داده UCI نشان میدهد که علاوه بر کاهش زمان آموزش با انتخاب مناسب داده‌ها باعث تقویت ویزگی مقاوم بودن SVM در برابر داده‌های نویزی و پرت و همچنین کاهش تعداد بردار پشتیبان انتخابی SVM در فضای داده بزرگ می‌شود.

واژه‌های کلیدی: ماشین بردار پشتیبان، خوشه‌بندی فازی، خوشه‌بندی تفاضلی


فهرست مطالب

عنوان صفحه
فصل اول: مقدمه
1-1 خوشه‌بندی 2
1-2 خوشه‌بندی فازی 5
1-2-1 الگوریتم‌های پایه‌ای خوشه‌بندی فازی 5
1-2-2 روش کار خوشه‌بندی فازی 9
1-2-3 مروري بر مقالات خوشه‌بندی فازی سالهاي اخير 8
1-3 خوشه‌بندی تفاضلی 11
1-4 ماشین بردار پشتیبان 12
1-4-1 روش کار ماشین بردار پشتیبان 12
1-4-2 ماشین بردار پشتیبان جدایی‌پذیر 14
1-4-3 ماشین بردار پشتیبان غیرخطی 15
فصل دوم: مروری بر کارهای انجام شده
2-1 مقدمه 19
2-2 کارهای انجام شده 19
فصل سوم: روش پیشنهادی
3-1 مقدمه 24
3-2 چارچوب کلی روش پیشنهادی 24
فصل چهارم: نتایج شبیه‌سازی
4-1 مقدمه 28
4-2 پایگاه‌داده و پارامترهای شبیه‌سازی 28
فصل پنجم: نتیجه‌گیری و کارهای آینده
5-1 تیجه‌گیری .33
5-2 کارهای آینده 33
واژه‌نامه 34
مراجع 35

خوشه‌بندی
خوشه‌بندي داده يكي از رايج‌ترين تكنيك‌هاي داده‌كاوي است.خوشه‌بندي از جمله روش‌هاي پرکاربرد در تجزیه و تحلیل داده‌ها است. خوشه‌بندی فرآیند خودکاری است که نمونه‌ها به دسته هایی که اعضای آنها شبیه هم باشد تقسیم می‌شود که به این دسته‌ها، خوشه گفته می‌شود. به بیانی دیگر خوشه مجموعه‌ای از اشیا می‌باشد که در آن اشیا با یکدیگر مشابه بوده و با اشیا موجود در خوشه‌های دیگر غیر مشابه می‌باشند.
خوشه‌بندي در زمينه‌هاي بسياري از جمله در شناسايي الگو ، يادگيري ماشين، داده‌كاوي، بازيابي اطلاعات و انفورماتيك زيستي كاربرد دارد. هدف از انجام خوشه‌بندي ارائه چشم انداز مناسبي از اتفاقات در حال وقوع در پايگاه داده‌ها به مصرف كنندة نهايي اطلاعات مي‌باشد. كاربرد ديگر خوشه‌بندي را می‌توان در تعيين داده‌هايي كه با ساير داده‌ها تفاوت چشمگير دارند عنوان نمود.
در خوشه‌بندي سعي مي‌شود جمعي از داده‌ها به صورت بدون ناظر به خوشه‌هايي تقسيم شوند كه شباهت داده‌هاي درون هر خوشه حداكثر و شباهت بين داده‌هاي درون خوشه‌هاي مختلف حداقل شود [5,6].
خوشه‌بندی فازی
خوشه‌بندي فازي را مي‌توان بخشي از تحليل داده فازي دانست كه داراي دو بخش است: يكي تحليل داده‌هاي فازي و ديگري تحليل داده‌هاي قطعي با استفاده از تكنيك‌هاي فازي. خوشه‌بندي فازي به كشف مدلهاي فازي از داده‌ها مي‌پردازد. ایده بنيادين در خوشه‌بندي فازي به اين ترتيب است كه فرض كنيم هر خوشه مجموعه‌اي از عناصر است. سپس با تغيير در تعريف عضويت عناصردر اين مجموعه از حالتي كه يك عنصر فقط بتواند عضو يك خوشه باشد به حالتي كه هر عنصر مي‌تواند با درجه عضويتهاي مختلف داخل چندين خوشه قرار بگيرد، دسته بندي‌هايي كه انطباق بيشتري با واقعيت دارند ارائه كنيم.
الگوریتم‌های پایه‌ای خوشه‌بندی فازی
يكي از اولين روشهاي خوشه‌بندي فازي كه بر مبناي تابع هدف و استفاده از فاصله اقليدسي بنا شده بود در سال 1974توسط دان ارائه و سپس توسط بزدك تعميم داده شد. الگوریتم حاصل ابرهای کروی از نقاط را در یک فضای P بعدی شناسایی می کند اين خوشه‌ها به طور مفروض تقريباً هم اندازه هستند . هر خوشه با مركزش نمايش داده مي شود. اين نحوه نمايش خوشه‌ها،مدل يا نمونه نيز ناميده مي شود، زيرا اغلب به عنوان نماينده همه داده‌هاي تخصيص داده شده به خوشه انگاشته مي شو د .

مرور

هیچ دیدگاهی برای این محصول نوشته نشده است .