زبانهای نمایشی و معرفی مدلهای آن

          س 
            بازدید : 93
          شنبه 06 آذر 1395
           نظرات (0)
        

زبانهای نمایشی و معرفی مدلهای آن

وقتی میخواهیم یک کاری توسط کامپیوتری حل شود، اولین سوالی که مطرح میشود اینست که چگونه مسئله را باید به ترمهای محاسباتی نشان بدهیم در یادگیری ماشین این بدان معناست که چگونه مفاهیم، مثالهای آموزشی و دانش اولیه را نمایش دهیم

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	249 کیلو بایت
تعداد صفحات فایل	52

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

زبانهای نمایشی و معرفی مدلهای آن

مقدمه:

وقتی میخواهیم یک کاری توسط کامپیوتری حل شود، اولین سوالی که مطرح میشود اینست که چگونه مسئله را باید به ترمهای محاسباتی نشان بدهیم . در یادگیری ماشین این بدان معناست که چگونه مفاهیم، مثالهای آموزشی و دانش اولیه را نمایش دهیم . برای تشریح مفاهیم و نمونه ها از زبانهای نمایشی (Representational Languages) استفاده میکنیم . از نظر قدرت بیان و پیچیدگی میتوان زبانها را طبقه بندی کرد و در یک ترتیب صعودی داریم : Zero-order Logic ، Attribute-value Logic ، Horn Clauses و Second-order Logic . در ادامه به معرفی کوتاهی از این چهار مدل زبان تشریحی میپردازم ولی اساس کار در این مقاله استفاده از Attribute-value Logic میباشد .

کلمات کلیدی:

یادگیری ماشین

زبانهای نمایشی

مدلهای زبانهای نمایشی

اتوماتای سلولی یادگیر و کاربرد آن در پردازش تصاویر و تولید یک مدل تکاملی

          س 
            بازدید : 480
          پنجشنبه 04 آذر 1395
           نظرات (0)
        

اتوماتای سلولی یادگیر و کاربرد آن در پردازش تصاویر و تولید یک مدل تکاملی

در این مقاله اتوماتای سلولی یادگیر را معرفی می کنیم برای درک اتوماتای سلولی یادگیر ابتدا باید به اتوماتای سلولی و پس از آن با اتوماتای یادگیر آشنا شد پس از آشنایی با این دو مدل ، اتوماتای سلولی یادگیر مطرح می شود و کاربردهای آن مطرح می شود

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	3010 کیلو بایت
تعداد صفحات فایل	42

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

اتوماتای سلولی یادگیر و کاربرد آن در پردازش تصاویر و تولید یک مدل تکاملی

*قابل استفاده برای رشته مهندسی کامپیوتر،صنایع و هوش مصنوعی

آپدیت شد:

ضمیمه شدن مقاله اتوماتای یادگیری سلولی و کاربرد‌های آن در قالب 24 صفحه بصورت رایگان:)

کل محتوا: 42 صفحه اولیه + 24 صفحه آپدیت

چکیده

در این مقاله اتوماتای سلولی یادگیر را معرفی می کنیم. برای درک اتوماتای سلولی یادگیر ابتدا باید به اتوماتای سلولی و پس از آن با اتوماتای یادگیر آشنا شد. پس از آشنایی با این دو مدل ، اتوماتای سلولی یادگیر مطرح می شود و کاربردهای آن مطرح می شود. دو کاربرد اتوماتای سلولی یادگیر در پردازش تصاویر و استفاده از آن برای تولید یک مدل تکاملی به شکل دقیق مورد بررسی قرار می گیرد.

کلمات کلیدی:

اتوماتای یادگیر

اتوماتای سلولی

اتوماتای سلولی یادگیر

مقدمه

اتوماتای سلولی یادگیر[1] تشکیل شده از اجزایی است که در همسایگی یکدیگر قرار می گیرند و رفتار این اجزا بر اساس رفتار همسایگان و تجربیات خودش و همسایه ها تعریف می شود. برای این که با این مدل آشنا شویم ابتدا باید دو مدل اتوماتای یادگیر[2] و اتوماتای سلولی[3] را به خوبی بشناسیم. پس از شناخت این دو مدل ، اتوماتای سلولی یادگیر را که ترکیبی ار دو مدل گفته شده است را مطرح می کنیم.

اتوماتای سلولی یک مدل ریاضی است که می تواند برای محاسبات و شبیه سازی سیستمها به کار رود. اتوماتای سلولی سیستمهای ساده ی گسسته ای هستند که با قوانین ساده و محلی می توانند محاسبات و رفتار پیچیده ای از خود بروز دهند. حلی بودن به این معناست که در تعیین مقدار جدید هر سلول، سلولهایی که در همسایگی وی هستند تاثیرگذار هستند و سلولهای دورتر، تاثیری ندارند. هر سلول برای خود مجموعه ای از حالات دارد که در هر لحظه با توجه به حالت خودش و همسایه ها تصمیم می گیرد که به چه حالتی برود. قوانین تغییر حالت در اتوماتای سلولی در طول کار ثابت است و تغییر نمی کند. .

شبکه سلولها می تواند ابعاد متفاوتی داشته باشند و یک , دو و یا بیشتر بعد داشته باشند. با توجه به تعداد مقادیری که سلولها می توانند اختیار کنند, اتوماتای سلولی به دو نوع دودویی و چند مقداره تقسیم می شود. درک رفتار اتوماتای سلولی از روی قوانین آن بسیار مشکل می باشد و درک آن نیاز به شبیه سازی دارد.یکی از مشکلات استفاده از اتوماتای سلولی طراحی قوانینی است که عمل دلخواه ما را انجام دهد. انواع متفاوتی از قوانین به روز رسانی سلولها وجود دارند که باعث ایجاد انواع متفاوت اتوماتای سلولی میشوند. به عنوان مثال، قوانین میتوانند به صورت قطعی و یا احتمالی بیان گردند و این دو دسته از قوانین منجر به دو دسته اتوماتای سلولی قطعی و اتوماتای سلولی احتمالی میشوند. ویژگیهای اتوماتای سلولی را به اختصار میتوان به صورت زیر بیان نمود: فضا و زمان به صورت گسسته پیش میروند.

فهرست مطالب

1. مقدمه

1.1. اتوماتای سلولی

1.2. اتوماتای یادگیر

1.2.1. اتوماتان L2N2

1.2.2. اتوماتان G2N2

1.2.3. اتوماتان Krinsky

1.2.4. اتوماتان Krylov

1.2.5. اتوماتان Ponomarev

1.3. اتوماتای یادگیر سلولی

2. انواع اتوماتای سلولی یادگیر

2.1. توماتای یادگیر سلولی ناهمگن

2.2. اتوماتای یادگیر سلولی دارای ورودی (باز)

2.3. اتوماتای یادگیر سلولی با شعاع همسایگی متغیر

2.4. اتوماتای یادگیر سلولی با متغیر سراسری

3. کاربردهای اتوماتای سلولی یادگیر

3.1. پردازش تصویر

3.2. محاسبات تکاملی به کمک اتوماتای سلولی یادگیر

4. نتیجه گیری

منابع

ارایه یک روش جدید خوشه بندی مبتنی بر انرژی خودسازمانده با استفاده از شبکه عصبی SOM به منظور کاهش مصرف

          س 
            بازدید : 497
          پنجشنبه 04 آذر 1395
           نظرات (0)
        

ارایه یک روش جدید خوشه بندی مبتنی بر انرژی خودسازمانده با استفاده از شبکه عصبی SOM به منظور کاهش مصرف انرژی درشبکه های حسگر بی سیم

پروتكل‌های مسیریابی مبتنی بر خوشه‌بندی یكی از مهمترین روش‌های كاهش مصرف انرژی در شبكه‌های حسگر بی‌سیم هستند در این مقاله، یك پروتكل خوشه‌بندی جدید، ارایه می‌شود

شبکه عصبی SOM
پروتكل‌ مسیریابی مبتنی بر خوشه‌بندی
پروتكل خوشه‌بندی مبتنی بر انرژی خودسازمانده
کاهش مصرف انرژی در شبكه‌های حسگر بی‌سیم
دانلود مقالات کارشناسی ارشد رشته هوش مصنوعی
دانلود مقالات ارشد هوش مصنوعی
دانلود مقالات هوش مصنوعی
کاهش مصرف انرژی درشبکه های حسگر بی سیم

دسته بندی	دکترا
فرمت فایل	doc
حجم فایل	482 کیلو بایت
تعداد صفحات فایل	33

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

ارائه یک روش جدید خوشه بندی مبتنی بر انرژی خودسازمانده با استفاده از شبکه عصبی SOM به منظور کاهش مصرف انرژی درشبکه های حسگر بی سیم

چکیده

پروتكل‌های مسیریابی مبتنی بر خوشه‌بندی یكی از مهمترین روش‌های كاهش مصرف انرژی در شبكه‌های حسگر بی‌سیم هستند. در این مقاله، یك پروتكل خوشه‌بندی جدید، ارایه می‌شود. این پروتكل خوشه‌بندی جدید كه پروتكل خوشه‌بندی مبتنی بر انرژی خودسازمانده (EBCS) نام دارد، با استفاده از شبكة عصبی نقشة خودسازماندهی(SOM)، گره‌های شبكه را براساس دو معیار سطح انرژی و همسایگی خوشه‌بندی می‌نماید و سعی در توازن بهتر انرژی در خوشه‌ها و نهایتاً افزایش طول عمر شبكه و حفظ پوشش شبكه‌ای دارد. در ادامة این مقاله به بیان فرضیات، تشریح مراحل الگوریتم جدید و تفاوت‌های آن با الگوریتم‌های مرتبط پیشین خواهیم پرداخت.

کلمات کلیدی:

شبکه عصبی SOM

پروتكل‌ مسیریابی مبتنی بر خوشه‌بندی

پروتكل خوشه‌بندی مبتنی بر انرژی خودسازمانده

کاهش مصرف انرژی در شبكه‌های حسگر بی‌سیم

مقدمه

برای بهره‌مندی از اثربخشی الگوریتم‌های مسیریابی مبتنی بر خوشه‌بندی در افزایش طول عمر شبكه‌های حسگر بی‌سیم، الگوریتم خوشه‌بندی جدیدی ارایه شده است كه بر اساس انرژی و با استفاده از شبكة عصبی نقشه خودسازماندهی كار می‌كند. انگیزه خلق EBCS، بی‌توجهی الگوریتم‌های خوشه‌بندی قبلی به سطح انرژی گره‌ها به عنوان پارامتر اصلی تشكیل خوشه‌های شبكه بوده است. تلاش تحقیق حاضر این بوده است كه با بهبود ایدة سنتی خوشه‌بندی(خوشه بندی بر حسب مكان)، به منظور رسیدن به هدف اصلی شبكه‌های حسگر بی‌سیم یعنی افزایش طول عمر شبكه همزمان با حفظ پوشش شبكه‌ای، روشی یكپارچه برای خوشه‌بندی مبتنی بر مكان - انرژی ارایه نماید. باور ما برای ارایة الگوریتم جدید این بوده است كه خوشه‌بندی مبتنی بر انرژی می‌تواند خوشه‌هایی با سطح انرژی یكسان ایجاد كرده و مصرف انرژی را به شكل بهتری در بین سراسر گره‌های شبكه توزیع كند.

فهرست مطالب

ارایه یک روش جدید خوشه بندی مبتنی بر انرژی خودسازمانده با استفاده از شبکه عصبی SOM به منظور کاهش مصرف انرژی درشبکه های حسگر بی سیم2

مقدمه2

1-1. پروتكل مسیریابی خوشه‌بندی مبتنی بر انرژی خودسازمانده3

1-2. فرضیات الگوریتم4

1-3. مراحل خوشه‌بندی5

1-3-2. مرحلة اول : خوشه‌بندی با شبكة عصبی نقشة خودسازماندهی7

1-3-3. مرحلة دوم : خوشه‌بندی با الگوریتم K-means15

1-3-4. مرحلة انتخاب سرخوشه17

1-4. مرحلة انتقال داده20

1-5. مرحلة خوشه‌بندی مجدد22

1-6. جمع‌بندی27

مراجع27

یادگیری بر مبنای نمونه و الگوریتمهای آن

          س 
            بازدید : 359
          پنجشنبه 04 آذر 1395
           نظرات (0)
        

یادگیری بر مبنای نمونه و الگوریتمهای آن

ذخیره سازی و استفاده از نمونه های خاص، باعث افزایش و بهبود کارایی بسیاری از الگوریتمهای یادگیری با ناظر می باشد که شامل مواردی چون درخت تصمیم، قوانین دسته بندی و شبکه های توزیع شده می شود

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	1071 کیلو بایت
تعداد صفحات فایل	31

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

یادگیری بر مبنای نمونه و الگوریتمهای آن

*ضمیمه شدن پاورپوینت یادگیری بر مبنای نمونه در قالب 63 اسلاید و بصورت رایگان:)

چکیده:

ذخیره سازی و استفاده از نمونه های خاص، باعث افزایش و بهبود کارایی بسیاری از الگوریتمهای یادگیری با ناظر می باشد. که شامل مواردی چون درخت تصمیم، قوانین دسته بندی و شبکه های توزیع شده می شود. با این حال، الگوریتمهایی که تنها از نمونه های خاص در حل مسائل یادگیری افزایشی استفاده می کنند، کاملا بررسی نشده اند. روش بررسی شده در اینجا برای این امر، همان IBL(Instance Based Learning) است.در IBL بر خلاف دیگر الگوریتمهای یادگیری افزایشی، به جای استفاده از بخشهای از قبل کامپایل شده در طول فاز پیش بینی از یک سری نمونه های مشخص استفاده می شود. و از آنجائی که این الگوریتمها از توابع شباهت برای رده بندی میان نمونه ها استفاده می کنند، قادر به تشریح مفاهیم احتمالی نیز می باشند.

کلمات کلیدی:

الگوریتم IBL

الگوریتمهای یادگیری با ناظر

الگوریتمهای یادگیری افزایشی

مقدمه:

در IBL بر خلاف دیگر الگوریتمهای یادگیری افزایشی، به جای استفاده از بخشهای از قبل کامپایل شده در طول فاز پیش بینی از یک سری نمونه های مشخص استفاده می شود. و از آنجائی که این الگوریتمها از توابع شباهت برای رده بندی میان نمونه ها استفاده می کنند، قادر به تشریح مفاهیم احتمالی نیز می باشند. در واقع، روشهای IBL دقیقا همه داده دریافتی شان را به خاطر می آورند. در واقع، معمولا هیچ گونه فاز آموزشی نداشته و تنها در زمان پیش گویی و تصمیم گیری دارای محاسبات می باشند. سپس، با گرفتن یک گزارش در پایگاه داده به دنبال نمونه های مشابه گشته و یک مدل محلی online برای محاسبه مقدار خروجی ایجاد می کند.

الگوریتمهای IBL از دسته بندی کننده الگوی NN(Nearest Neighbor) گرفته شده اند، که در عین حال به ذخیره و استفاده از نمونه های منتخب برای پیش بینی دسته بندی می پردازد.الگوریتمهای تغییر یافته NN غیر افزایشی بوده و هدف اولیه شان، حفظ سازگاری کامل با مجموعه آموزشی اولیه می باشد، اگرچه داده را خلاصه می کنند ولی برای حداکثر کردن دقت دسته بندی در مورد نمونه های جدید نیز تلاشی انجام نمی دهند. در واقع به مساله نویز توجهی ندارند. در مقابل، الگوریتمهای IBL ، افزایش بوده و حداکثر ساختن دقت دسته بندی را نیز دز نظر می گیرند.

سیستمهای CBR برای حل برخی از مشکلات این سیستمها ارائه شده اند. این سیستمها مشابه IBL ها هستند، با این تفاوت که حالات را تغییر داده و در طی حل مساله از بخشهایی از یک حالت نیز استفاده می کنند. در واقع IBL ، الگوریتم متمرکز شده CBR است که به انتخاب حالات مناسب برای دسته بندی، کاهش فضای ذخیره سازی، متعادل کردن نویز و یادگیری ارتباط ویژگیها کمک می کند.

فهرست مطالب

- مقدمه5

- الگوریتم های Instance Based Learning7

الگوریتم IB1 7

الگوریتم IB29

الگوریتم IB311

- بهینه سازی IBL با استفاده از الگوریتم جستجو14

- تاثیر پارامترهای دامنه ای بر الگوریتم های IBL16

تاثیر احتمال رخداد برای هر ویژگی16

تاثیر پارامتر k 17

منحنی یادگیری18

فضای ذخیره سازی19

مقدار بهینه k19

تاثیر سطح نویز20

- برخی کاربردها22

استفاده از IBL در تصمیم گیری دینامیک22

استفاده از IBL در تخمین توابع26

- نتیجه گیری28

- منابع29

فهرست اشکال

شکل 1 – مرزهای فضای IBL8

شکل 2 – فضای IB2 9

شکل 3 – کاهش فضای ذخیره سازی و حساسیت به نویز در IB210

شکل 4 – عملکرد بهتر فیلترهای نویز در IB3 نسبت به IB1 و IB212

شکل 5 – تاثیر بر دقت مورد انتظار در 1-NN17

شکل 6 – تاثیر مقدار k بر دقت Knn18

شکل 7 – منحنی یادگیری 1NN و KNN بهینه18

شکل 8 – تعداد نمونه های آموزشی مورد نیاز برای دسترسی به سطح دقت مورد نظر برای 1NN و KNN بهینه19

شکل 9 – مقدار بهینه k20

شکل 10 – تاثیر بر دقت مورد انتظار 1NN و KNN بهینه

a)نویز ویژگی مرتبط و b )نویز کلاسی21

شکل 12 – فرآیند IBLT23

نقش شبكه‌های عصبی در مسیریابی انرژی آگاه

          س 
            بازدید : 78
          پنجشنبه 04 آذر 1395
           نظرات (0)
        

نقش شبكه‌های عصبی در مسیریابی انرژی آگاه

در اغلب كاربردها، گره‌های حسگر از نظر منبع انرژی با محدودیت مواجه هستند بنابراین نیاز به روش‌های ابتكاری برای برطرف نمودن اتلاف انرژی كه موجب كوتاه شدن طول عمر شبكه‌های حسگر می‌گردد،

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	347 کیلو بایت
تعداد صفحات فایل	35

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

نقش شبكه های عصبی در مسیریابی انرژی آگاه

مقدمه

در اغلب كاربردها، گره‌های حسگر از نظر منبع انرژی با محدودیت مواجه هستند. بنابراین نیاز به روش‌های ابتكاری برای برطرف نمودن اتلاف انرژی كه موجب كوتاه شدن طول عمر شبكه‌های حسگر می‌گردد، كاملاً احساس می‌گردد. این محدودیت‌ها به همراه زیاد بودن تعداد گره‌های حسگر باعث چالش‌های بسیاری در طراحی و مدیریت شبكه‌های حسگر بی‌سیم و لزوم آگاهی از انرژی در همه لایه‌های پشته پروتكل شبكه‌ای شده است. برای مثال، در لایه شبكه، به شدت به یافتن روش‌هایی نیاز داریم كه با بهره‌وری در مصرف انرژی، كشف مسیر انجام داده و داده‌ها را از گره‌های حسگر به ایستگاه مبنا انتقال دهند. به دلیل اهمیت مسیریابی در شبكه‌های حسگر بی‌سیم و حجم قابل توجهی از مقالات و تحقیقات در این زمینه، در این مقاله دقیقاً به مسالة مسیر‌یابی ( و نه به سایر لایه‌های پشته شبكه ) پرداخته شده و سپس نقش شبكة عصبی (نقشة خودسازماندهی) در مسیریابی آگاه از انرژی از طریق مرور مقالات تحقیقاتی مرتبط، مورد بررسی قرار می‌گیرد.

کلمات کلیدی:

شبكه‌های عصبی

مسیریابی انرژی آگاه

شبکه های حسگر بیسیم

فهرست مطالب

نقش شبكه‌های عصبی در مسیریابی انرژی آگاه1

1-1. مقدمه2

1-2. ویژگی‌های مسیریابی در شبكه حسگر بی‌سیم3

1-3. روش‌های مسیریابی در شبكه‌های حسگر بی‌سیم6

1-3-1. مسیریابی مسطح7

1-3-2. مسیریابی مبتنی بر مكان8

1-3-3. مسیریابی سلسه مراتبی(مبتنی بر خوشه‌بندی)9

1-3-4. پروتكل خوشه‌بندیLEACH10

1-3-5. پروتكل خوشه‌بندیLEACH متمركز13

1-4. شبكه‌های عصبی در الگوریتم‌های مسیریابی آگاه از انرژی15

1-4-1. شبكة عصبی انتشار معكوس در كشف مسیر15

1-4-2. شبكة عصبی نقشة خودسازماندهی در مسیریابی16

1-4-3. پروتكل‌های مسیریابی مبتنی بر نقشة خودسازماندهی19

1-5. پروتكل خوشه‌بندی پیوندگرا وفقی با انرژی پایین23

1-6. جمع‌بندی26

مراجع26

تاثیر نویز بر داده کاوی

          س 
            بازدید : 756
          پنجشنبه 04 آذر 1395
           نظرات (0)
        

تاثیر نویز بر داده کاوی

در این تحقیق ایده ای برای داده کاوی در مورد پایگاه های داده نویزی که ممکن است توسط سیستم های آموزش ماشین ساخته شده باشد توضیح داده می شود همچنین روشهایی برای تخمین توزیع احتمال پیوسته بدون نویز در حالتی که نویز مشاهده می شود

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	260 کیلو بایت
تعداد صفحات فایل	33

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

تاثیر نویز بر داده کاوی

چکیده

در این تحقیق ایده ای برای داده کاوی در مورد پایگاه های داده نویزی که ممکن است توسط سیستم های آموزش ماشین ساخته شده باشد توضیح داده می شود. همچنین روشهایی برای تخمین توزیع احتمال پیوسته بدون نویز در حالتی که نویز مشاهده می شود. و همچنین احتمال شرطی ، که می تواند با استفاده از نمونه های آماری و آنالیز خطا تخمین زده شود بررسی می شود و همچنین آزمایشات مختلفی برای تست این ایده ها ارائه شده است توضیح داده می شود.

در قسمت بعد الگوریتمهایی برای آموزش نویزی از جمله الگوریتم PAC ارائه می گردد و در مورد توسعه آن نیز بحث می شود که تحت دو الگوریتم یادگیری ضعیف و قوی که قابل تعمیم به یکدیگر هستند مورد بررسی قرار می گیرد.در نهایت کاربردی از داده کاوی در محیط نویزی از جمله روشهایی داده کاوی در محیطهای نویزی برای از بین بردن نویز در صفحات وب بحث می گردد.

کلمات کلیدی:

داده کاوی

الگوریتم PAC

نویز در داده کاوی

پایگاه های داده نویزی

مقدمه

روشهای قدیمی داده کاوی شامل گستره وسیعی از ابزار و تکنیک ها بوده که برای آنالیز پایگاه های داده خیلی بزرگ در جهت کشف دانشهای مفید و همچنین دانشهایی که قبلاً مجهول بوده در داخل داده ها نهفته مورد استفاده قرار می گیرد. در اکثر این روشها فرض بر این است که پایگاه داده های موجود در ابعاد مناسب می باشد و نسبتاً بدون نویز می باشد. یعنی شرایط ایده آل برای داده کاوی کاملاً مهیا می باشد البته گاهی اوقات که داده ها دارای نویز می بود پاکسازی داده ها نیز برای حذف یا تصحیح بخشهای نسبتاً کوچکی از اطلاعات که دارای مقادیر اشتباه می باشد یا داده هایی که دارای تناقض هستند بکار می رفت.

بعبارت دیگر در برخورد با داده های خطا و یا ناقص آن داده ها حذف می گردید و آموزش با بعقیه داده های موجود بکار گرفته می شد که البته این روش مناسب نیست زیرا ممکن است داده های حذف شده داده های مهمی باشد و تاثیر زیادی در آموزش صحیح داشته باشد یا اینکه حتی داده های باقیمانده در اثر حذف داده های اشتباه به قدر کافی برای آموزش مناسب نباشد. البته مشکل بزرگتر آن است که برخی پایگاه های داده شامل داده هایی می باشد که به صورت ذاتی دارای نویز می باشد و قابل پاکسازی نمی باشد که یک مثال خوب از این مفاهیم ، پایگاه دادههایی است که توسط یکی (یا بیشتر) از الگوریتمهای یادگیری ماشین ساخته شده است. بنابراین بسیار مهم است که بتوان تاثیر نویز بر داده کاوی را درک کرد و آموزش را بر مبنای داده های اشتباه نیز به نحو صحیح انجام داد.

بسیاری از ایده های موجود در مورد داده کاوی بر مبنای اعمال تکنیک های بدون ناظر آموزش به داده های خیلی بزرگ برای کشف دانش ، الگوها و قوانین می باشد. مشکل عمومی یادگیری بدون ناظر استنتاج و یا حدس زدن جزئیات توزیع احتمال پیوسته می باشد . متغیر تصادفی X و نمونه های حاصل از N مشاهده در نظر گرفته می شود ( ) و با توجه به این تعریف ، هدف آموزشهای بدون نظارت بصورت تعریف جزئیات مفید چگالی پیوسته P(x) تعریف می شود.در این بخش ارتباط بین توزیع احتمال پیوسته که از خروجی پردازش نویزی بدست آمده در مقابل توزیع در محیطهای عاری از نویز بررسی می شود. بنابراین امید است که بتوان ایده های عمومی و همچنین یکسری محدودیت ها را برای حصول دانش از داده های نویزی بدست آورد و اهمیت اصلی بر روی داده های نویزی بدست آمده از الگوریتمهای یادگیری می باشد.

فهرست مطالب

چکیده1

1- مقدمه1

2- مدلها و ایده ها2

2-1- حالت عمومی3

3- آزمایش8

شکل 3. نتایج ساخت داده ها با استفاده از درخت تصمیم.14

4- کارهای وابسته14

5- مدل آموزش نویزی15

5-1- مدلهای آموزش20

5-1-1- مدلهای آموزشی قوی و ضعیف PAC20

5-1-2- طبقه بندی نویز و مدلهای خطای بدخیم23

6- پاکسازی نویز در وب26

6-2- كارهای مربوط27

6-3- تكنیك پیشنهادی27

6-3-1- مدل درخت DOM28

6-3-3- تعیین عنصر دارای نویز در ST30

6-4- كشف نویز31

7- نتیجه33

8- مراجع33

مقاله آموزش کامل CBR

          س 
            بازدید : 246
          پنجشنبه 03 دی 1394
           نظرات (0)
        

مقاله آموزش کامل CBR

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

دانلود مقاله در مورد cbr
سیستم CBR
سیستم حل مساله CBR
CBR چیست؟
روش حل مساله
سیستم استدلال مبتنی بر حالت
سیستم مبتنی بر استدلال مورد
دانلود مقالات کارشناسی ارشد رشته هوش مصنوعی
دانلود مقالات هوش مصنوعی

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	281 کیلو بایت
تعداد صفحات فایل	50

دانلود مقاله کارشناسی ارشد رشته هوش مصنوعی

سیستم مبتنی بر استدلال مورد

Case Based Reasoning system

(بصورت جامع و کامل)

مقدمه

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.

کلمات کلیدی:

CBR

روش حل مساله

استدلال مبتنی بر حالت

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 مطالب

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