بررسی روشهای دسته بندی توسط الگوریتم اجتماع پرندگان 148 صفحه
بررسی روشهای دسته بندی توسط الگوریتم اجتماع پرندگان
بررسی روشهای دسته بندی توسط الگوریتم اجتماع پرندگان 148 صفحه ایی
بررسی روشهای دسته بندی توسط الگوریتم اجتماع پرندگان
چکیده:
با گسترش سیستمهای پایگاهی و حجم بالای دادههای ذخیره شده در این سیستمها به ابزاری نیاز است تا بتوان این دادهها را پردازش کرد و اطلاعات حاصل از آن را در اختیار کاربران قرار داد. از اینرو دادهکاوی یکی از روشهای بسیار مهمی است که با کمترین دخالت کاربر اطلاعاتی را در اختیار کاربران و تحلیلگران قرار میدهد.
در این پروژه ضمن آشنایی با دادهکاوی فازی، دسته بندی و الگوریتم اجتماع پرندگان، با کاربرد بهینهسازی الگوریتم اجتماع پرندگانبرای دسته بندی آشنا میشویم. الگوریتم بهینه سازی اجتماع پرندگان الهام شده از مشاهده پرندگان واقعی برای یافتن کوتاهترین مسیر به سمت منابع غذایی میباشد.
در پایان هم به معرفی نرم افزار وکا که یک نرم افزار دادهکاوی میباشد، میپردازیم.
کلمات کلیدی: دادهکاوی، فازی، الگوریتم اجتماع پرندگان، دسته بندی.
منابع :
[1]: سعیدی احمد، " داده کاوی، مفهوم و کاربرد آن در آموزش عالی"، قابل دسترس در :
http://www.farabar.net/papers/Data Mining.doc ، اسفند84.
[2]: کیخا مصطفی، عباسی علی، " مقدمه ای بر داده کاوی" ، قابل دسترس در:
http://ece.ut.ac.ir/dbrg/seminars/SpecialDB/2006/Keykhah / Data20% Mining /Data20% Mining.doc
[3]: " داده کاوی و اکتشاف "، قابل دسترس در : http://www.frg.ir، 28 اردیبهشت 89.
[4]: " نمونه های اجرایی"، قابل دسترس در: http://www.dayche.com/about/example
[5]: " داده کاوی" ، قابل دسترس در: http://www.wikipedia.org. ، 16 سپتامبر 2010.
:[6] Alexander Doug," Data Mining" ,Avaiable http://www.laits.utexas.edu/norman/BUS.FOR/course.ma/ALEX
:[7] http://www.artificial.ir
:[8] http://daneshnameh.roshd.ir/mavara
:[9] http://it.ilearn.ir/index.php
:[10] http://artificial.ir/intelligence
:[11] ceit.aut.ac.ir
:[12] http://en.wikipedia.org/wiki/Particle_swarm_optimization
:[13] http://confbank.um.ac.ir/modules/conf_display/isfs2007/article/i597.pdf
:[14] http://confbank.um.ac.ir/modules/conf_display/isfs2007/article/i223.pdf
:[15] http://confbank.um.ac.ir/modules/conf_display/isfs2007/article/i841.pdf
:[16] http://www.topiranian.com/topnewss/archives/2008/02/index.html
:[17] Jensen T.R., Toft B., "Graph Coloring Problems", Wiley Interscience Series in Discrete Mathematics, and Optimization, 1995
:[18] Kubale M., "Introduction to Computational Complexity and Algorithmic Graph Coloring", Gdanskie, Towarzystwo Naukowe, 1998.
:[19] de Werra D., " Heuristics for Graph Coloring", Computing Suppl. 7, 1990, pp. 191-208.
:[20] De Jong K A., Spears W. M.: Learning concept classification rules using genetic algorithms In: Proceedings of the Tweifth International Conference on Artificial Intelligence (IJCAI), 2, 1991.
:[21] Thrun S. B., Bala J., Bloedorn E., Bratko I., Cestnik B., Cheng J., De Jong K., Dzeroski S., Fahlman S. E., Fisher D., Hamann R., Kaufman K., Keller S., Kononenko I., Kreuziger J., Michalski R. S, Mitchell T., Pachowiez P., Reich Y., Varaie H., Van de Welde W., Wenzel W., Wnek J., Zhang J.: The MONK's problems: A performance comparison of different leaming algorithms.Technical Report CS-91-197, Pittsburgh, PA, 1991.
:[22] Timothy Ross. (1995) ‘Fuzzy Logic with Engineering Application’ Tata McGraw-Hill Publishing Company limited, New Delhi
:[23] Devaraj D., Murthy and Yegnanarayana B. (1999) ‘A Fuzzy System Model for Plant Condition Monitoring’,Proceedings of the ASME International Conference, Jaipur, India, pp.210-214.
:[24] Takagi T.and Sugeno M, (1985) ‘Fuzzy identification of systems and its application to modeling and control’, IEEE Transaction on Systemics Man Cybernetics, Vol.15, pp. 116-132
:[25] Jang J.S.R. (1992) ‘Fuzzy controller design without domain experts’, Proceedings of the 1st IEEE International Conference on Fuzzy Systems, San Diego, CA, pp. 289-296
:[26] Wang L.X. and Mendel J.M. (1992) ‘Generating fuzzy rules by learning from examples’, IEEE Transaction on Systemics Man Cybernetics, Vol.22, pp.1414-1427.
:[27] Sugeno M.and Yasukawa T. (1993) ‘A fuzzy-logic based approach to qualitative modeling’, IEEE Transaction on Fuzzy System, Vol.1, pp.7-31.
:[28] Abe S., Lan M.S. (1995) ‘A Method for fuzzy rule extraction directly from numerical data andits application to pattern classification’, IEEE Transaction on Fuzzy System, Vol. 3, pp.1828.
:[29] Ishibuchi H., Nakashima T., and Murata T. (1999) ‘PerformanceEvaluation of Fuzzy Classifier Systems for Multidimensional Pattern Classification Problems’, IEEE Transaction on System,Man and Cybernetics-Part B: Cybernetics, Vol. 29, No.5, pp.601-617.
:[30] Yuhui Shi, Russell Eberhart, and Yaobin Chen. (1999) ‘Implementation of Evolutionary Fuzzy System’, IEEE Transaction on Fuzzy System, Vol. 7, No.2, pp. 109-119.
:[31] Magne Setnes and Hans Roubos. (2000) ‘GA-Fuzzy Modeling and Classification: Complexity and Performance’, IEEE Transaction on Fuzzy Systems, Vol.8, No.5, pp.509-522.
:[32] Hans Roubos and Magne Setnes. (2001) ‘Compact and Transparent Fuzzy Models and Classifiers Through Iterative Complexity Reduction’, IEEE Transaction on Fuzzy Systems, Vol.9, No.4, pp.516-524.
:[33] Wang.C.H. Hong.T.and Tseng.S (1998) ‘Integrating FuzzyKnowledge by Genetic Algorithms’, IEEE Transaction on Evolutionary Computation, Vol.2, No.4, pp. 138-148.
:[34] Marco Russo (2000) ‘Genetic Fuzzy Learning’, IEEE Transaction on Evolutionary Computation, Vol.4, No.3, pp.259-273.
:[35]. Goldberg D. E., (1989) ‘Genetic Algorithms in Search, Optimization, and Machine Learning. Reading’ Addison-Wesley, Canada.
:[36] J.Kennedy and R.Eberhart, “Particle Swarm Optimization”proceedings of the IEEE International Conference on Neural Networks, vol.4, pp.1942-1948, Australia, 1995.
:[37] Newman D.J., Hettich S., Blake C.L., Merz, C.J., (1998). ‘UCI Repository of machine learningdatabases,http://www.ics.uci.edu/~mlear/MLRep ository.html, University of California, Irvine.
:[38] Ishibuchi H., Nozaki K., Yamamoto N., and Tanaka.H.(1995) ‘Selecting fuzzy if-then rules for classification problems using genetic algorithms’, IEEE Transaction on Fuzzy System, Vol. 3, pp. 260-270.
:[39] Heesoo Hwang (2004) ‘Identification of a Gaussian FuzzyClassifier’ International Journal of Control, Automation, and Systems, Vol.2, No.1, pp.118-124.
:[40] H. Ishibuchi, T. Nakashima and T. Murata, “Performance Evaluation of Fuzzy Classifier Systems for Multidimensional Pattern Classification Problems,” IEEE Transactions on Systems, Man and Cybernetics29:601-618, 1999.
:[41] Y.F. Yuan and H. Zhuang, “A Genetic Algorithm for Generating Fuzzy Classification Rules,” Fuzzy Sets and Systems 84:1-19, 1996.
:[42] W. Romao, A.A. Freitas and R.C.S. Pacheco, “AGenetic Algorithm for Discovering Interesting Fuzzy Prediction Rules: Applications to Science and Technology Data,” Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-2002) 343-350, 2002.
:[43] S. F. Smith, “A learning system based on genetic adaptive algorithms,” Doctoral dissertation, Department of Computer Science.University of Pittsburgh, 1980.
:[44] R. Gallion, D.C. St.Clair, C. Sabharwal & W.E. Bond, “Dynamic ID3: A Symbolic Learning Algorithm for Many-Valued Attribute Domains,” Proceedings of the 1993 Symposium on Applied Computing 14-20, 1993.
:[45] Janikow C Z, “A knowledge-intensive GA for supervised learning,” Machine Learning 13:189-228, 1993.
:[46] R.S. Parpinelli, H.S. Lopes, A.A. Freitas, “ Data Mining with an Ant Colony Optimization Algorithm.,” IEEE Transactions on Evolutionary Computation 6:321-332, 2002.
:[47] J. Casillas, O. Cordon, F. Herrera , “Learning Fuzzy Rules using Ant Colony Optimization Algorithms,” Proceedings of the 2nd International Workshop on Ant Algorithms (ANTS 2000) 13-21, 2000.
:[48] S. Abe, M.Lan, “Fuzzy rules extraction directly from numerical data for function approximation,” IEEE Transactions on Systems, Man and Cybernetics, 25(1):119-129, 1995.
