11466

11466

يادگيري درخت تصميم فازي با استفاده از شبكه عصبي فازي

كارشناسي ارشد

كامپيوتر - هوش مصنوعي

دي ماه 1391

دي ماه 1391

دكتر محمد رضا كنگاوري

چكيده يكي از پديده‌هاي نو ظهور در دنياي اطلاعات، داده‌هاي جرياني است. منظور از داده¬هاي جرياني، دنباله¬اي از داده¬هايي است كه با سرعت و حجم زياد توليد مي¬شوند و همين امر باعث بوجود آمدن مشكلاتي براي دسته-بندي داده¬هاي جرياني همچون مشكل ذخيره¬سازي آنها شده است. دسته¬بندهايي كه براي دسته¬بندي داده-هاي جرياني به كار برده مي¬شوند بايد داراي قابليت يادگيري برخط و سرعت آموزش و دسته¬بندي زيادي بوده و نيازي به ذخيره¬سازي داده¬ها در اين دسته¬بندها وجود نداشته باشد. يكي از ديگر چالش¬هاي موجود در دسته¬بندي داده¬هاي جرياني، تغيير مفهوم داده¬ها در طول زمان است. حال دسته¬بندها بايد قادر به تشخيص و تطبيق خود با تغيير مفهوم در داده¬هاي جرياني باشند. براي حل مشكلات بيان شده براي دسته¬بندي داده¬هاي جرياني، ساخت درخت تصميم فازي با استفاده از شبكه عصبي فازي پيشنهاد شده است، تا از مزاياي درخت تصميم همانند قابل فهم بودن، مزاياي منطق فازي همانند توانايي در بيان عدم قطعيت و همچنين از مزاياي شبكه عصبي فازي همانند قابليت انعطاف¬پذيري بالا استفاده كنيم. مدل پيشنهاد شده در اين رساله، درخت عصبي فازي ناميده مي¬شود. ساختار كلي درخت عصبي فازي همانند درخت فازي است و در هر گره داخلي يا غير برگ درخت، به جاي استفاده از يك شرط فازي براي بخش-بندي، از شبكه عصبي فازي استفاده شده است تا علاوه بر استفاده از مزاياي درخت فازي، از مزاياي شبكه عصبي فازي همانند انعطاف¬پذيري نيز بهره¬مند شويم. درخت عصبي فازي داراي يادگير ي برخط است و به راحتي مي¬تواند با تغيير مفهوم ايجاد شده در داده¬هاي جرياني وفق پيدا كند. همچنين درخت عصبي فازي مي¬تواند داده¬هاي مغشوش و ويژگي¬هاي بدون مقدار را مديريت كند. نتايج آزمايشات نشان مي¬دهندكه درخت عصبي فازي داراي مزاياي بهتري از نظر دقت و زمان نسبت به ساير دسته¬بندهاي جرياني است. واژه‌هاي كليدي: درخت تصميم فازي، شبكه عصبي فازي، درخت عصبي فازي، داده¬هاي جرياني، تغيير مفهوم