كشف قوانین پیشگویانه وقابل درك با استفاده از الگوریتم ژنتیك چند منظوره

ما در این مقاله یك الگوریتم تكوینی (ژنتیك) چند منظوره جهت استخراج قوانین دسته بندی پیشگویانه و قابل درك از پایگاه داده های وسیع را ارائه خواهیم كرد و همچنین دقت پیشگویانه و قابلیت درك قوانین ، با یكدیگر در تضاد هستند. لذا این موضوع تبدل به یك مساله بهینه سازی می شود كه حل كردن آن به شكل شایسته ، كاری دشوار می باشد . بنابراین یك الگوریتم پویای چند منظوره بنام الگوریتم ژنتیك جاسازی شده ی پیشرفته ی پارتو (INPGA) جهت این منظور ارائه كردیم.

سپس قانون گذاری توسط INPGA ر ا با قانون گذاری توسط الگوریتم ژنتیك ساده(SGA) و همچنین الگوریتم ژنتیك جاسازی شده ی مقدماتی پارتو(NPGA) مورد مقایسه قرار دادیم.نتایج عملی بیانگر این امر هستند كه روش قانون گذاری ما نسبت به NPGA و SGA برتری دارد.

کلمات کلیدی: الگوریتم ژنتیک ساده. راه حل های بهینه پارتو.الگوریتم ژنتیک پارتو. داده کاوی

فهرست

1-مقدمه
2-کاربرد SGA در ایجاد قوانین رده بندی
2.1-نمایشهای ژنتیك
2.2-تابع تناسب
2.2.1-استاندارد قابلیت درك
2.2.2-دقت پیشگویانه
2.3-عملگرهای ژنتیك
3-الگوریتم های تكاملی برای مسائل چندمنظوره
4-الگوریتم ژنتیك جاسازی شده پارتو پیشنهادی
4.1-GA جاسازی شده پارتوی مقدماتی
4.1.1-مسابقات پیروزی پارتو
4.1.2-اشتراك در حدود عدم تسلط
4.2.2-GA جاسازی شده پارتو پیشرفته
5-شبیه سازی
5.1-تشریح سری داده
5.1.1-اطلاعات باغ وحش
5.1.2-اطلاعات شیرخوارگاه
5.2-نتایج
6.نتیجه

مقاله آموزش کامل سیستم مبتنی بر استدلال مورد Case Based Reasoning system

مقدمه

پیش‌زمینه و انگیزه

CBR یک روش حل مساله است که در بسیاری از جنبه‌ها از دیگر روش‌های اصلی AI متفاوت است و به جای اینکه فقط روی دانش کلی حوزه مساله تکیه کند یا بین مسائل و راه‌حل‌ها، ارتباطات تعمیم یافته ایجاد کند، قادر است از دانش مخصوص مربوط به تجربیات قبلی و وضعیت دیگر مسائل بهره گیرد. یک مساله جدید با یافتن وضعیت مشابهی که قبلا مشاهده شده است و استفاده از آن در وضعیت جدید حل می‌شود. تفاوت مهم دیگر این است که CBR روشی برای یادگیری تقویتی، افزایشی می‌باشد چون هر دفعه که مساله‌ای حل می‌شود یک تجربه جدید نگه داشته شده و برای مسائل بعدی در دسترس می‌باشد. فیلد CBR در طول چند سال اخیر به سرعت رشد کرده است. شاهد این امر مقالات زیاد در کنفرانس‌های مهم، ابزار تجاری در دسترس و کاربردهای موفق آن می‌باشد.

CBR چیست؟

به طور اساسی CBR حل یک مساله جدید به وسیله یادآوری یک موقعیت مشابه قبلی و با استفاده مجدد از اطلاعات و دانش مربوط به آن می‌باشد. در ادامه به بیان این مفهوم با نگاه به حل چند مساله نوعی می‌پردازیم:

· یک پزشک، بعد از معاینه یک بیمار خاص در مطبش، به یاد بیماری می‌افتد که دو هفته قبل درمان کرده است. این یادآوری به دلیل مشابهت علائم اصلی بیماری است نه به دلیل مشابهت در رنگ موی بیمار و یا طرز بیان او. در این حالت پزشک از تشخیص بیماری و درمانی که در مورد بیمار قبلی به کار برده است برای تشخیص بیماری و درمان بیمار حاضر استفاده می‌کند.

· یک مهندس حفاری، که دو انفجار مهیج را تجربه کرده است، هنگامی که ترکیب اندازه‌های بحرانی، مشابه موقعیت انفجار قبل می‌شود، بلافاصله به یاد یک یا هردوی این موقعیت‌ها می‌افتد. در حالت خاص ممکن است به یاد اشتباهی که در انفجار قبل مرتکب شده است بیفتد و از آن برای جلوگیری از تکرار اشتباه قبلی استفاده کند.

· یک مشاور مالی که روی یک مساله تصمیم‌گیری سخت کار می‌کند، موقعیت‌های قبلی که شرکت را با مشکل مشابهی رو به رو کرده را به یاد آورده و از آن برای تصمیم‌گیری در موقعیت فعلی استفاده می‌کند. ‌

فهرست

چکیده
مقدمه
حل مساله مبتنی بر حالت
یادگیری در استدلال مبتنی بر حالت ‏‎(CBR)‎
تاریخچه ‏CBR
چرخه ‏CBR
بازیابی، استفاده دوباره، تجدید نظر و حفظ کردن.‏
شکل ‏‎1‎‏-چرخه ‏CBR
مدل‌های ‏CBR
مدل ‏Hunt ‏8‏
شکل ‏‎2‎‏- مدل ‏Hunt‏ برای ‏CBR
مدل ‏Allen ‏
مدل ‏Kolodner‏ و ‏Leake
شکل 3- مدل پیشنهاد شده توسط ‏Kolodner‏ و ‏Leake
مدل ‏R4‎‏ برای ‏CBR
نواحی مساله ‏CBR
نمایش حالات
مدل حافظه پویا
شکل 4- ساختار حالات و اپیزودهای تعمیم یافته
مدل دسته و نمونه
شکل 5- ساختار دسته‌ها، ویژگی‌ها و مثال‌ها
شناسایی ویژگی
تطبیق اولیه
انتخاب
استفاده مجدد از حالت
کپی
انطباق
اصلاح حالت
ارزیابی راه حل
اصلاح خطا
نگهداری حالت- یادگیری
استخراج
شاخص
یکپارچه‌سازی
ارائه یک مدل جدید
ساختن پایگاه حالت مبتنی بر جزبندی
دنیای مسائل و راه‌حل‌های ممکن
روابط تشابه در دنیای ممکن
ساختن پایگاه حالت
شکل 6- از ‏ ‏ و ‏ ‏ به پایگاه حالت ‏
مدل ‏R5‎‏ برای ‏CBR
شکل 7- مدل ‏R5‎‏ برای ‏CBR
بهبود سیستم‌های ‏CBR
انتخاب ویژگی
انتخاب نمونه
بهینه‌کردن همزمان
شکل 8- رویه کاهش دو بعدی
نتایج آزمایشات
شکل 9- تفاوت بین الگوها برای روش‌های ‏a‏) ‏CCBR، ‏b‏)‏ICBR، ‏c‏)‏TRCBR
نتیجه‌گیری
مراجع

مقاله ترجمه شده سیستم CBR برای تشخیص های پیچیده پزشکی

چکیده:

سیستم استدلال (CBR) برای "تقلید تشخیصهای پزشکی" پزشکانی که با توجه به یک مورد جدید تشخیص می دهند. دقت در عمل بستگی به بازیابی موفقیت آمیز از موارد مشابه دارد. به دلیل استحکام پایه مورد خود سیستم CBR موفقیتهایی در برخورد با بیماری های ساده داشته اند. با این حال، هنگامی که با بیماریهای پیچیده به ویژه کسانی که درگیر حوزه های پزشکی اند متحمل دقت تشخیصی است. یک مثال از چنین شرایط سندرم قبل از قاعدگی (PMS) است که در زنان و روانپزشکی رخ می دهد. برای پرداختن به این موضوع، مقاله سیستم خبره مبتنی بر CBR-که با استفاده از نزدیکترین K

(KNN) را پیشنهاد می کند. الگوریتم موارد مشابه K را براساس اندازه گیری فاصله اقلیدس جستجو می کند. اخبار سیستم در طراحی انعطاف پذیر خودکار مجموعه تحمل (T)،که به عنوان یک آستانه برای استخراج موارد که شبیه هستند بیشتر از مقدار تخصیص داده شده از T عمل می کند.برای نمونه در درون سیستم ابزار نرم افزار با منو محور رابط کاربر گرافیکی (GUI) برای مورد ورودی، تجزیه و تحلیل نتایج، و انطباق مورد را توسعه داده است. در نهایت، در کارایی ابزار مجموعه ای از مواردPMS در دنیای واقعی بررسی می شود.

کلمات کلیدی : سیستم KNN،CBR، PMS، Master Case base (MCB)،رویکرد منو محور (MDA)، مجموعه خود تحملی(T)

دانلود رایگان نسخه انگلیسی