منبع تحقیق درمورد نگاشت ادراکی فازی، الگوریتم ژنتیک، کیفیت یادگیری

دانلود پایان نامه ارشد

توسعه نگاشتهای ادراکی فازی به آسانی قابل انطباق است و به تجربه و دانش کارشناس مربوط میشود.
یادگیری نگاشتهای ادراکی فازی شامل بهروزرسانی وزنهای روابط علی است و این استراتژی برای بهبود نگاشتهای ادراکی فازی بکار میرود. این یادگیری به وسیله تنظیم دقیق روابط علی اولیه یا قدرت وزن یالهای نگاشت ادراکی فازی با کمک الگوریتمهای یادگیری صورت میگیرد. روش یادگیری تکنیکی است که کارایی و توانایی نگاشتهای ادراکی فازی را با کمک روشهای هوشمند اصلاح ماتریس وزنهای نگاشت ادراکی فازی ، افزایش میدهد. علاوه بر این، قواعد یادگیری ویژگیهای مفیدی برای نگاشتهای ادراکی فازی فراهم میآورد [112].
مداخله نهایی کارشناس برای تعیین پارامترهای نگاشتهای ادراکی فازی، محاسبه مجدد وزنها و روابط علی در زمان پذیرش استراتژی جدید و همچنین همگرایی نهفته مقادیر مفاهیم به نواحی نامطلوب، نقصهای عمده نگاشت ادراکی فازی هستند. برطرف کردن این نقصها برای بهبود کارایی و توانمندی نگاشت ادراکی فازی ضروری است. روشهای انطباق وزن خیلی امیدبخش هستند و میتوانند این مشکلات را کم کنند. با این روشها که روابط علی به وسیله فرآیند یادگیری تنظیم میشوند، خطای کمتری در نگاشتهای ادراکی فازی ایجاد میشود [112].
تاکنون تلاشهایی در جهت بررسی و ارائه تکنیک یادگیری مناسب برای نگاشت ادراکی فازی انجام شده است و جدیداً برخی الگوریتمهای یادگیری نگاشت ادراکی فازی پیشنهاد شده است [12و112]. استفاده مناسب از الگوریتمهای یادگیری میتواند بر اغلب ضعفهای عمده نگاشت ادراکی فازی غلبه کند. این ضعفهای عمده شامل همگرایی بالقوه (نهفته) به نواحی نامطلوب و محاسبه مجدد وزنها در هنگام پذیرش استراتژیهای جدید میباشد. با این حال، ضعفهایی در به‌کارگیری روشهای یادگیری وجود دارد [112].
2-10-2-1- روش یادگیری مبتنی بر شبکههای عصبی مصنوعی: از مهمترین روشهای یادگیری نگاشتهای ادراکی فازی، ترکیب نظر کارشناسان با ویژگیهای شبکههای عصبی است که باعث استفاده از مزایای هر دو میشود. غالباً الگوریتمهای یادگیری ارائه شده برای نگاشتهای ادراکی فازی بر اساس ایدههای برآمده از حوزه آموزش شبکههای عصبی مصنوعی 45 است [12]. تکنیکهای یادگیری عصبی برای آموزش نگاشت ادراکی فازی و تعیین مناسب وزنهای روابط بین مفاهیم بکار رفته است. نتیجه این ترکیب ایجاد یک سیستم فازی عصبی ترکیبی است. روشهای یادگیری مبتنی بر شبکههای عصبی مصنوعی بر مبنای قواعد یادگیری هبین بدون نظارت میباشند و انطباق آن با مدلهای نگاشت ادراکی فازی و تنظیم وزنهای آن برای اولین بار توسط کاسکو (1986) پیشنهاد شده است. قواعد یادگیری میتوانند نگاشتهای ادراکی فازی را آموزش دهند، به این معنی که روابط بین مفاهیم را تنظیم و تعدیل کنند، همان‌گونه که در مورد سیناپسها در شبکههای عصبی انجام میشود. در این نوع از روشهای یادگیری درجه هر وزن با قاعده عمومی زیر محاسبه میشود [80] :

در این معادله وزن بهبود یافته تابعی از وزن قبلی، مقادیر قبلی مفاهیم و مقادیر جدید آنها است. کاسکو و دیکرسون یادگیری هبین دیفرانسیل (تفاضلی) 46را با استفاده از قوانین یادگیری هبین دیفرانسیل برای آموزش نگاشت ادراکی فازی پیشنهاد دادند [113] که شکلی از یادگیری بدون نظارت و بر مبنای تئوری هبین (1949) است. در یادگیری هبین دیفرانسیل، مقادیر وزنها به طور تکراری تا هنگام یافتن ساختار مطلوب و ماتریس متناظر مورد نظر، به روز میشوند. در واقع وقتی مفاهیم تغییر میکنند، مقادیر روی یالها نیز به طور متناظر تغییر میکنند [4و80و84].
به طور کلی، وزنهای یال‌های خروجی برای هر مفهوم، در ماتریس ارتباطات، تنها هنگامی اصلاح میشوند که مقدار مفهوم متناظر به صورت معادله (2-12) تغییر کند [80] :
(2-12)
جایی که به وزن رابطه مفهوم به اشاره دارد. نشان دهنده تغییر در مقدار فعالسازی مفهوم، t شماره تکرار و ضریب یادگیری است. ضریب یادگیری فوق یک مقدار ثابت کوچک است که به وسیله آن مقادیر عموماً در فرآیند یادگیری کاهش مییابند. اشکال عمده این روش یادگیری این است که قاعده بهروزرسانی وزنها بین مقادیر هر جفت از مفاهیم محاسبه میشود و تأثیرات سایر مفاهیم را نادیده میگیرد [80]. کاسکو فرمولبندی ریاضی و کاربرد آن در مسائل واقعی را بیان نکرد.
در ادامه روشهای یادگیری بر مبنای شبکه عصبی، الگوریتم یادگیری دیفرانسیل متوازن47 بر اساس یادگیری هبین دیفرانسیل، به وسیله هیورگا مورد بررسی قرار گرفته است[114]. این الگوریتم یک نسخه بهبودیافتهای از یادگیری هبین دیفرانسیل است و یکی از محدودیتهای روش یادگیری هبین دیفرانسیل را حذف میکند و به نظر میرسد که الگوهای یادگیری و مدلسازی حوزه داده شده را نسبت به رویکردهای کلاسیک بهتر انجام دهد. این روش با در نظر گرفتن همه مقادیر مفاهیم که به طور همزمان تأثیرگذارند، وزنها را به روز میکند. اما تا امروزه، روش یکپارچهای برای کاربرد یادگیری هبین دیفرانسیل و الگوریتم یادگیری دیفرانسیل متوازن در نگاشتهای ادراکی فازی به وجود نیامده است [80 و112]. از سوی دیگر، الگوریتم یادگیری دیفرانسیل متوازن فقط در نگاشتهای ادراکی فازی دودویی بکار رفته است. نگاشتهای با توابع تبدیلی دودویی، حوزههای کاربردی نگاشت ادراکی فازی را محدود میسازند. در پژوهشی با مقایسه تجربی بین یادگیری هبین دیفرانسیل و یادگیری دیفرانسیل متوازن نشان داده شده است که روش یادگیری دیفرانسیل متوازن کیفیت نگاشتهای یادگیرنده را بهبود بخشیده است [80].
در ادامه، الگوریتم یادگیری بدون نظارت دیگری به نام الگوریتم یادگیری هبین غیرخطی48، یادگیری نگاشتهای ادراکی فازی را بررسی کرده است [115]. این الگوریتم بر اساس قاعده یادگیری هبین غیرخطی است و فقط وزنهای (غیر صفر) پیشنهادی اولیه نگاشت ادراکی فازی را به روز میکند. این وزنها در هر گام تکرار، تا وقتی که الگوریتم به پایان میرسد، به طور همزمان به روز میشوند. ایده اولیه و تشریح کاربرد قاعده هبین غیرخطی در نگاشتهای ادراکی فازی در سال 2003 ارائه شد اما فرمولبندی ریاضی برای ورود یادگیری هبین غیرخطی به ساختار نگاشتهای ادراکی فازی و نیز روش اجرای الگوریتم بعداً ارائه شد [12 و112].
در سالهای اخیر استچ و همکارانش نسخه بهبود یافتهای از روش یادگیری هبین غیرخطی را ارائه کردند. این الگوریتم یادگیری دادهکاوی هبین غیر خطی49 نامیده شده و بر مبنای همان قاعده یادگیری یادگیری هبین غیرخطی است اما مزایای به‌کارگیری دادههای تاریخی را دارد و از خروجی مفاهیم برای بهبود کیفیت یادگیری استفاده میکند. در یک مطالعه با مقایسه تجربی نشان داده شده است که اگر داده تاریخی موجود باشند، روش یادگیری دادهکاوی هبین غیر خطی مدل نگاشت ادراکی فازی بهتری را نسبت به روش عمومی یادگیری هبین غیرخطی ایجاد میکند [80].
روش یادگیری بدون نظارت هبین دیگری به نام یادگیری هبین فعال 50 به طور موفقیت آمیزی در یک مساله کنترلی عملی به کار گرفته شده است. این الگوریتم با در نظر گرفتن دانش و تجربه اولیه کارشناسان و با مقادیر اولیه مؤلفه‌های ماتریس وزنی که عقیده کارشناسان است شروع میشود. لذا در این روش نقش افراد خبره به طور کامل حذف نشده است. در الگوریتم یادگیری هبین فعال توالی مفاهیم فعالساز تعیین میشود. این توالی بستگی به وضعیت خاص و ویژگیهای مساله دارد [112]. کارشناسان مجموعهای مطلوب از مفاهیم را به عنوان مفاهیم خروجی انتخاب میکنند. رویکرد یادگیری هبین فعال شامل هفت گام است که بر اساس یادگیری هبین است. این گامها به طور تکراری بکار گرفته میشوند تا وزنها را تعدیل کنند و در زمان دستیابی به معیارهای از پیش تعریف شده، متوقف میشود [80].
رویکرد دیگر یادگیری ماتریس ارتباطات نگاشت ادراکی فازی، شامل کاربرد استراتژیهای تکاملی 51 است [116]. این تکنیک دقیقاً همان روش یادگیری شبکههای عصبی است. یکی از مهمترین اشکالات این روش این است که ساختار اولیه و دانش کارشناسان را در مدل نگاشت ادراکی فازی لحاظ نمیکند، اما مجموعههای داده را برای تعیین الگوهای ورودی و خروجی بکار میگیرد تا روابط علت معلولی را با تابع مناسبی تعیین کند. اشکال عمده دیگر این روش نیازمندی به توالیهای بردار حالت چندگانه (زوجهای ورودی/ خروجی) است که ممکن است بدست آوردن آن برای بسیاری از مسائل دنیای واقعی مشکل باشد. به نظر میرسد وزنهای محاسبه شده انحراف زیادی از وزنهای نگاشت ادراکی فازی واقعی دارند و در مسائل واقعی معنی فیزیکی قابل قبولی ندارند [112].
2-10-2-2- روش یادگیری مبتنی بر الگوریتم ژنتیک : طبقهای از روشهای یادگیری نگاشت ادراکی فازی ، روشهای مبتنی بر الگوریتم ژنتیک میباشند. در سال 2001، کولوریوتیس52 و همکارانش از استراتژی ژنتیک 53 استفاده کردند تا ساختار مدل نگاشت ادراکی فازی از جمله وزنهای روابط را با استفاده از دادهها آموزش دهند و مقادیر یالها را تعیین کنند [80].
در روش آنها، فرآیند یادگیری بر مبنای مجموعهای از نمونههای جفتهای ورودی/خروجی میباشد. این یادگیری نیازمند دادههای تاریخی شامل توالیهای چندگانه بردارهای حالت میباشد. این الگوریتم ساختار یک نگاشت ادراکی فازی را آموزش میدهد اما اشکال عمده این رویکرد این است که نیازمند توالیهای بردار حالت چندگانه است که ممکن است بدست آوردن آنها در برخی حوزههای کاربردی مشکل باشد [80 و84].
در ادامه بر اساس کاربرد الگوریتمهای ژنتیک دو رویکرد متفاوت برای یادگیری نگاشت ادراکی فازی پیشنهاد شده است. اولین رویکرد توسط خان و چونگ در سال 2003 ارائه شده است [117]. این روش به جای یادگیری ماتریس ارتباطات و ساختار مدل نگاشت ادراکی فازی، به دنبال یافتن یک بردار حالت اولیه ( وضعیت اولیه) است که مدل داده شده را به حالت نهایی خاصی (همگرایی به نقظه ثابت یا دور محدود) هدایت کند [112].
دومین رویکرد بر مبنای الگوریتم ژنتیک، در سال 2005 برای توسعه ماتریس ارتباطات نگاشت ادراکی فازی پیشنهاد شده است. این روش بر مبنای دادههای تاریخی بردارهای حالت و یادگیری بدون نظارت میباشد [118]. این روش یک الگوریتم ژنتیک کدگذاری شده حقیقی 54 است که اجازه حذف مداخله کارشناس در طول توسعه مدل را میدهد و ماتریس ارتباطات نگاشت ادراکی فازی را آموزش میدهد و از تابع تبدیل متوالی استفاده میکند. مهمترین مزیت روش الگوریتم ژنتیک کدگذاری شده حقیقی، عدم مداخله انسان است اما این روش نیازمند رسیدگی به دورههای همگرایی و بررسی بیشتر در جهت همکاری پارامترهای الگوریتم ژنتیک با ویژگیهای دادههای تجربی میباشد. مزیت این روش فقط در حوزههای مسائل خاصی محدود شده است [112]. در حیطه الگوریتم ژنتیک، روش دیگری بر مبنای استنتاج و یادگیری بدون نظارت بر روی نوع خاصی از نگاشتهای ادراکی فازی ارائه شده است [119].
2-10-2-3- روش یادگیری مبتنی بر الگوریتم بهینهسازی گروه ذرات: از جمله روشهای یادگیری نگاشتهای ادراکی فازی بر پایه تکنیکهای محاسباتی تکاملی، روش بهینهسازی گروه ذرات55است [120و121]. این روش در یادگیری نگاشت ادراکی فازی نتایج خیلی امیدبخشی داشته است. الگوریتمهای بهینهسازی گروه ذرات به الگوریتمهای هوشمند گروهی تعلق دارد و در حوزه هوش مصنوعی به سرعت توسعه یافته است [112].
این روش، یادگیری نگاشت ادراکی فازی را برمبنای دادههای تاریخی هدف قرار داده است. بهینهسازی گروه ذرات یک الگوریتم بر مبنای گروه است که برای یافتن راهحلی از بین افراد گروه به جستجو میپردازد. این الگوریتم نیازمند دانش انسان در تعیین محدودیتها است. این محدودیتها معنی فیزیکی روابط نگاشت ادراکی فازی را حفظ میکنند [80].
روش مذکور ساختار اولیه و دانش متخصصان را در مدل نگاشت ادراکی فازی لحاظ نمیکند، بلکه با استفاده از مجموعهای از دادهها، مفاهیم ورودی و خروجی را به منظور تعریف روابط علت و معلولی تعیین میکند. این روابط به گونه‌ای تعریف شدهاند که در تابع مورد نظر صدق کنن

پایان نامه
Previous Entries منبع تحقیق درمورد نگاشت ادراکی فازی، ضریب همبستگی، توسعه مدل Next Entries منبع تحقیق درمورد نگاشت ادراکی فازی، آموزش عالی، جستجوی محلی