19134

۱۹۱۳۴

ارايه ي سيستم تصميم پشتيبان پزشكي بر مبناي نگاشته اي شناختي فازي و محاسبات كوانتومي

كارشناسي ارشد

الكترونيك - سيستم هاي ديجيتال

۱۳۹۷/۰۱/۲۸

دكتر كريم محمدي

برق

نگاشت هاي شناختي فازي (FCM) يك تكنيك مدل كردن گرافيكي مي باشند كه از قاعده¬ي تصميم-گيري و استدلال مشابه با آدمي استفاده مي¬نمايند. ساختار گراف گونه ي FCM اجازه¬ي آناليز استاتيك و مدل اجرايي آن، اجازه¬ي آناليز ديناميك را مي دهد. در طي الگوريتم¬هاي يادگيري كه براي FCM توسعه داده شده اند، الگوريتم هاي مبتني بر متخصص داراي ضعف در آناليز ديناميك، الگوريتم هاي كاملا خودكار داراي ضعف در آناليز استاتيك و الگوريتم هاي نيمه خودكار نه به خوبي الگوريتم هاي مبتني بر متخصص در آناليز استاتيك¬اند و نه به خوبي الگوريتم هاي كاملا خودكار در آناليز ديناميك. بنابراين جهت ايجاد قابليت همزمان آناليز استاتيك و ديناميك يك الگوريتم جديد آموزشي به نام نگاشت هاي شناختي فازي كوانتومي QFCM در اين پايان¬نامه ارايه مي شود. الگوريتم QFCM از الگوريتم تكاملي كوانتومي براي ايجاد آناليز استاتيك و از الگوريتم ازدحام ذرات براي ايجاد آناليز ديناميك بهره مي¬برد. در الگوريتم بهينه سازي كوانتومي به جاي اينكه وجود و عدم وجود لينك¬ها با 0 و 1 كد شوند، احتمال وجود و عدم وجود آنها در قالب يك Q-bit (كوچك ترين واحد اطلاعاتي در الگوريتم QEA) مدل مي شود و حالت كوانتومي اين Q-bit بسته به پاسخي كه از آناليز ديناميكي دريافت مي¬شود، بروز مي¬گردد. استفاده از ارائه¬ي احتمالي به جاي 0 و 1 علاوه بر ايجاد تنوع در فضاي پاسخ، باعث فرار از اپتيموم¬هاي محلي زيادي مي شود كه در بحث بهينه سازي ساختار FCM به چشم مي¬خورد. جهت نشان دادن فوايد و كارآيي الگوريتم QFCM، اين الگوريتم را بر روي داده¬هاي مصنوعي و واقعي اعمال نموديم. نتايج حاصل شده، نشان از برتري و رقابتي بودن اين الگوريتم در قياس با ساير الگوريتم هاي جديد در اين حوزه دارد.

1397/04/11

12/21/2018 12:00:00 AM

Fuzzy cognitive maps (FCMs) represent a graphical modeling technique based on the decision-making and reasoning rules and algorithms similar to those used by humans. The graph-like structure and the execution model of FCMs respectively allow static and dynamic analyses to be carried out. The learning algorithms of FCM that are based on expert opinion are weak in dynamic analysis, and fully automatic algorithms are weak in static analysis. In static analysis, semiautomatic algorithms are not as good as algorithms based on expert opinion; and in dynamic analysis, they are not as efficient as fully automatic algorithms. In this thesis, for providing the facility for simultaneous static and dynamic analysis, a new training algorithm called the quantum fuzzy cognitive map (QFCM) is presented. In this proposed algorithm, the quantum inspired evolutionary algorithm (QEA) and the particle swarm optimization algorithm is employed for generating static and dynamic analysis properties respectively. In the QFCM, instead of coding the presence and absence of links between concepts with 1 and 0, respectively, the probability of their existence or inexistence is modeled with a Q-bit (the smallest information unit in the QEA) and, depending on the outcome of dynamic analysis, the quantum state of this Q-bit is updated. Using a probabilistic representation instead of 0 and 1, in addition to creating diversity in the solution space, can lead to escapes from many local optima; which is an issue of concern in the optimization of FCM structure. For demonstrating the advantages and the efficacy of QFCM algorithm, it was applied on both synthetic and real-life datasets. The obtained results indicate the superiority of the proposed algorithm over the other newly-devised algorithms in this field.