پروپوزال آماده خوشه بندی داده چند عامله مبتنی بر اتوماتای یادگیر، با استفاده از روند تحلیل سلسله مراتبی فازی

پروپوزال آماده خوشه بندی داده چند عامله مبتنی بر اتوماتای یادگیر، با استفاده از روند تحلیل سلسله مراتبی فازی
خوشه­بندی یکی از شاخه­ های یادگیری بدون نظارت بوده و فرآیند خودکاری است که در طی آن، نمونه­ها به دسته­ هایی که اعضای آن مشابه یکدیگر هستند، تقسیم می­شوند و به این دسته ­ها، خوشه گفته می­شود. بنابراین خوشه مجموعه­ ای از اشیاء است که در آن اشیاء با یکدیگر مشابه بوده و با اشیاء موجود در خوشه ­های دیگر، مشابهتی ندارند. برای مشابه بودن می­توان معیارهای مختلفی از قبیل معیار فاصله بین داده­ها، قابلیت اطمینان داده­ ها (Xing Wu ., 2014)، دسترس­پذیری داده ­ها (Tsozen Y., 2014) ...
کد کیو آر:  پروپوزال آماده خوشه بندی داده چند عامله مبتنی بر اتوماتای یادگیر، با استفاده از روند تحلیل سلسله مراتبی فازی

کد QR محصول

پروپوزال آماده خوشه بندی داده چند عامله مبتنی بر اتوماتای یادگیر، با استفاده از روند تحلیل سلسله مراتبی فازیپروپوزال آماده خوشه بندی داده چند عامله مبتنی بر اتوماتای یادگیر، با استفاده از روند تحلیل سلسله مراتبی فازی
قیمت قیمت : 45000 تومان
914 بازدید
نوع فایل : doc
حجم فایل: 0.20 مگابایت

خوشه­ بندی یکی از شاخه­ های یادگیری بدون نظارت بوده و فرآیند خودکاری است که در طی آن، نمونه­ها به دسته­ هایی که اعضای آن مشابه یکدیگر هستند، تقسیم می­شوند و به این دسته ­ها، خوشه گفته می­شود. بنابراین خوشه مجموعه­ ای از اشیاء است که در آن اشیاء با یکدیگر مشابه بوده و با اشیاء موجود در خوشه ­های دیگر، مشابهتی ندارند. برای مشابه بودن می­توان معیارهای مختلفی از قبیل معیار فاصله بین داده­ها، قابلیت اطمینان داده­ ها (Xing Wu ., 2014)، دسترس­پذیری داده ­ها (Tsozen Y., 2014)  و سایر معیارهای کیفی و کمی داده را برای خوشه ­بندی مورد استفاده قرار داد و داده­هایی را که بر اساس این ویژگی­ها، مشابه هستند، بعنوان یک خوشه در نظر گرفت. هدف اصلی خوشه­بندی یافتن خوشه­ های مشابه از اشیاء در بین نمونه­ های ورودی است، اما هیچ معیار مطلقی برای تعیین کیفیت خوشه­ بندی وجود ندارد، و این موضوع بستگی به مساله و نظر کاربر دارد که باید تصمیم بگیرد که آیا نمونه­ ها بدرستی خوشه­ بندی شده­ اند یا خیر. با این حال معیارهای مختلفی برای مناسب بودن یک خوشه­ بندی ارائه شده است که می­تواند کاربر را برای رسیدن به یک خوشه ­بندی مناسب راهنمایی کند. یکی از مسایل مهم در خوشه­ بندی، انتخاب تعداد خـوشه­ ها است. اندازه­گیری سرعت، کارایی، پیچیدگی زمانی و پیچیدگی حافظه از سایر معیارهای اندازه­گیری کیفیت خوشه­ بندی داده هستند.در سال­های اخیر، تحقیقات بسیاری در زمینه خوشه­ بندی بندی داده­ ها انجام شده است. یکی از پرکاربردترین روش­های خوشه­ بندی داده­ها استفاده از اتوماتای یادگیر است. اتوماتاي يادگير، يك مدل انتزاعي است كه تعداد محدودي عمل را مي‌تواند انجام دهد. هر عمل انتخاب شده توسط محيطي احتمالي ارزيابي مي‌گردد و پاسخي به اتوماتاي يادگير داده مي‌شود. اتوماتاي يادگير از اين پاسخ استفاده نموده و عمل خود را براي مرحله بعد انتخاب مي‌كند. اتوماتاهاي يادگير به دو دسته عمده اتوماتاي يادگير با ساختار ثابت و اتوماتاي يادگير با ساختار متغير تقسيم مي‌شوند. در اتوماتاي تصادفي با ساختار ثابت احتمال اقدام­هاي اتوماتا ثابت هستند. درحاليكه در اتوماتاي تصادفي با ساختار متغير احتمالات اقدام­هاي اتوماتا در هر تكرار بِروز مي‌شوند. در اتوماتاي يادگير با ساختار متغير، تغيير احتمال­هاي اقدام­ها بر اساس الگوريتم يادگيري انجام مي‌شود. در بیشتر الگوریتم­های خوشه­ بندی داده، از اتوماتای یادگیر با ساختار متغییر استفاده می­شود. در برخی از الگوریتم­های خوشه­ بندی از راهکارهای فازی، برای تکمیـل عملکرد اتوماتای یادگیر استفاده شده است. یکی از پرکاربـردترین روش­ها برای تصمیم­گیری­های چند عامله استفاده از ساختار تحلیل سلسله مراتبی[1] فازی است. روند تحلیل سلسله مراتبی، از روش تصمیم­گیری چند عامله[2]برای تصمیم­گیری استفاده می­کند و از بین چندین گزینه، یک گزینه را انتخاب می­کند. توماس ساعتی[3]، در سال 1980، روند تحلیل سلسله مراتبی را به عنوان ابزاری قدرتمند معرفی­ کرده است، در شرایطی که چندین هدف در موقعیت­ها و شرایط مربوطه وجود داشته باشد، این روش در روند تصمیم­ گیری استفاده می­شود. روند تحلیل سلسله مراتبی نشان دهنده رفتار طبیعی و فکر انسان است. این روش، مسائل پیچیده را تجزیه و تحلیل کرده و آنها را به صورت ساده تغییر و پس از آن شروع به حل آنها می­کند (Mohammadi, Homayoun, & Zadeh, 2012). بنابراین در این پژوهش به منظور افزایش کارایی الگوریتم خوشه­بندی و همچنین افزایش سرعت در خوشه­ بندی داده­ها، از یک راهکار خوشه­بندی با استفاده از اتوماتای یادگیر مبتنی بر راهکار تحلیل سلسله مراتبی فازی، استفاده می­شود. با استفاده از این راهکار، می­توان به صورت همزمان از دو یا چند معیار مختلف کیفی و کمـی برای خوشه­ بندی داده­ها، استفاده کرد. استفاده از این ساختار ضمن افزایش کارایی الگوریتم، دقت خوشه­ بندی داده­ها را افزایش می­دهد، زیرا از چند معیار مختلف برای خوشه­ بندی و تعیین شباهت بین داده­ها استفاده می­شود. همچنین روش پیشنهادی به علت  استفاده از چند معیار مختلف برای خوشه­ بندی داده­ها تعداد مناسبی از خوشه­ ها را تولید می­کند.

[1] -AHP

[2] -MADM (Multiple Attribute Decision Making)

[3] -Tomas Sati