مقاله ترجمه شده درباره مدل های شباهت مبتنی بر قوانین فازی، امکان یادگیری از مبناهای موارد کوچک – سال 2013
مشخصات مقاله:
عنوان فارسی مقاله:
مدل های شباهت مبتنی بر قوانین فازی، امکان یادگیری از مبناهای موارد کوچک را فراهم میکند
عنوان انگلیسی مقاله:
Fuzzy rule-based similarity model enables learning from small case bases
کلمات کلیدی مقاله:
شباهت، استدلال مبتنی بر مورد، قوانین فازی، یادگیری
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. کار های مربوطه
3. استدلال های مبتنی بر مورد: یک الگوی عمومی
4. مدل های شباهت مبتنی بر قوانین فازی
4.1 فواید مدل های شباهت مبتنی بر قوانین فازی
4.2 قوانین فازی و استدلال برای ارزیابی های شباهت
5. قوانین یادگیری فازی از موارد مبنا
5.1 به دست آوردن نمونه های تمرینی از کتابخانه موارد
5.2 قوانین فازی یادگیری توسط الگوریتم ژنتیک
6. ارزیابی‌های تجربی
6.1. طرحواره یادگیری در آزمایش‌ها
6.2. نتایج طبقه‌بندی بر اساس پایگاه‌های داده کوچک
7. نتیجه‌گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
Case-based reasoning (CBR) presents an important cognitive methodology in Artificial Intelligence, which advocates the use of previous experiences to solve new problems [1]. A fundamental principle that underlies CBR is the hypothesis that similar problems have similar solutions. Hence a CBR system first retrieves cases in the case base that are similar to a query problem and then refines the solutions of the retrieved cases to tackle the new situation at hand. Similarity assessment plays a key role in CBR in that it decides the quality of retrieved cases. A competent similarity model has to reflect the real utility/relevance of cases for solving new problems [2]. So far a wealth of similarity measures has been established for successful applications of CBR in various real-world scenarios. Cunningham [3] proposed a coherent taxonomy which organized the broad range of similarity mechanisms into the four categories (direct, information-based, transformation-based and emergent measures). The work of this paper belongs to the first category and aims to develop direct similarity models for cases with featurevalue representation.
1. مقدمه
استدلال بر مبنای موارد (CBR)نشان دهنده یک روش بسیار مهم شناختی در زمینه هوش مصنوعی میباشد که از تجربه های قبلی برای حل مسئله های جدید استفاده میکند. یکی از اصول زیرین CBR این فرضیه است که مسئله های مشابه دارای راه حل های مشابه هستند. ازین رو یک سیستم CBR نخست موارد را در مورد نمونه که مشابه با مسئله ی مطرح شده است به دست می آورند و سپس این راه حل های به دست آمده را اصلاح میکنند تا بتوان از آن ها در شرایط جدید استفاده کرد.
ارزیابی شباهت نقش بسیار مهمی را در CBR ایفا میکند زیرا این قسمت تصمیم گیرنده در مورد کیفیت دوره های بازیابی شده میباشد. یک مدل شباهت شایسته باید ارتباط این مورد و فایده ی آن را برای حل کردن مسئله ها نشان دهد. تا کنون تعداد زیادی از معیار های اندازه گیری شباهت برای استفاده ی موفق از CBR در زمینه های مختلف علمی ارائه شده است. Cunningham یک طبقه بندی منسجم را ارائه داد که گستره ی عظیمی از مکانیزم های شباهت را بر روی چهار دسته( مستقیم، اطلاعات محور، تبدیل محور، و معیار های فوری) تقسیم بندی میکند. کار در این مقاله مرتبط با دسته ی اول بوده و تلاش دارد تا مدل های شباهت مستقیم را برای مواردی با ارائه ی مقادیر ویژگی، توسعه دهد.
