آموزش انجام پایان نامه هوش مصنوعی

در سلسله مقالاتی که تاکنون برای چگونگی انجام پایان نامه در موضوع های مختلف ارائه کردیم، در این مقاله سعی داریم تا نحوه انجام پایان نامه در رشته مهندسی کامپیوتر گرایش هوش مصنوعی را آموزش دهیم. در مقاله پیش رو، فصل اول از یک پایان نامه در حوزه هوش مصنوعی با موضوع "بهینه سازی خوشه بندی با الگوریتم ازدحام ماهی ها" ارائه شده است.

 

انجام پایان نامه ارشد و دکتری موسسه ادیب مشاور

 

1.1 مقدمه

در این قسمت به توضیح و توصیف فرآیند داده ­کاوی و زیرشاخه ­های آن به ­خصوص الگوریتم­های خوشه ­بندی برای ورود به موضوع و آشنایی خواننده با حوزه تحقیق، ارائه خواهد شد.

داده­ کاوی به معنای يافتن نيمه خودکار الگوهای پنهان موجود در مجموعه داده­های[1] موجود می­باشد. داده­ کاوی از مدل­های تحليلی، کلاس­بندی و تخمين و برآورد اطلاعات و ارائه نتايج با استفاده از ابزارهای مربوطه بهره می­گيرد. می­توان گفت که داده ­کاوی در جهت کشف اطلاعات پنهان و روابط موجود در بين داده­های فعلی و پيش­بينی موارد نامعلوم و يا مشاهده نشده عمل می­کند. برای انجام عمليات داده­کاوی لازم است قبلا روی داده ­های موجود پيش­پردازش­هايی انجام گيرد. عمل پيش ­پردازش اطلاعات خود از دو بخش کاهش اطلاعات و خلاصه ­سازی و کلی­سازی داده ­ها تشکيل شده است. کاهش اطلاعات عبارت است از توليد يک مجموعه کوچک­تر، از داده­های اوليه، که تحت عمليات داده­کاوی نتايج تقريبا يکسانی با نتايج داده­کاوی روی اطلاعات اوليه به دست دهد. پس از انجام عمل کاهش اطلاعات و حذف خصايص غير مرتبط نوبت به خلاصه­سازی و کلی­سازی داده­ها می­رسد. داده ­های موجود در بانک­های اطلاعاتی معمولا حاوی اطلاعات در سطوح پايينی هستند، بنابراين خلاصه­ سازی مجموعه بزرگی از داده­ها و ارائه آن به صورت يک مفهوم کلی اهميت بسيار زيادی دارد. کلی­سازی اطلاعات، فرآيندی است که تعداد زيادی از رکوردهای يک بانک اطلاعاتی را به صورت مفهومی در سطح بالاتر ارائه می­نمايد. خود روش­های داده کاوی به سه دسته کلی تقسيم می­شوند که عبارتنداز خوشه­ بندی، طبقه­ بندی و کشف قواعد وابستگی. در ادامه هريک از اين روش­ها را بطور کلی معرفی می­نماييم.

انجام پایان نامه ، انجام پایان نامه کارشناسی ارشد ، انجام پایان نامه ارشد ، انجام رساله دکتری

1.1.1 خوشه ­بندی

فرآيند خوشه ­بندی سعی دارد که يک مجموعه داده را به چندين خوشه­ تقسيم نمايد بطوري­که داده ­های قرار گرفته در يک خوشه با يکديگر شبيه بوده و با داده ­های خوشه ­های ديگر متفاوت باشند. در حال حاضر روش­های متعددی برای خوشه ­بندی داده ­ها وجود دارد که بر اساس نوع داده ­ها، شکل خوشه­ ها، فاصله داده ­ها و غيره عمل خوشه­ بندی را انجام می­دهند. مهم­ترين روش­های خوشه­ بندی در زير معرفی شده­اند:

  • روش­ های تقسيم­بندی : روش­های خوشه­بندی که به روش تقسيم­بندی عمل می­کنند، داده­های موجود در يک مجموعه داده را به k خوشه تقسيم می­کنند، به­ طوري­که هر خوشه دو خصوصيت زير را داراست :
    • هر خوشه يا گروه حداقل شامل يک داده می­باشد.
    • هر داده موجود در مجموعه داده دقيقا به يک گروه يا خوشه تعلق دارد.

معيار اصلی در چنين مجموعه داده­ هايی ميزان شباهت داده­ های قرار گرفته در هر خوشه می­باشد. در حالي­که داده ­های قرار گرفته در دو خوشه مختلف از نظر شباهت با يکديگر فاصله زيادی دارند. مقدار k که به ­عنوان پارامتر استفاده می­گردد، هم می­تواند به­ صورت پويا تعيين گردد و هم اين­که قبل از شروع الگوريتم خوشه­بندی مقدار آن مشخص گردد.

  • روش ­های سلسله مراتبی : روشهای سلسله مراتبی به دو دسته کلی روش­های پایین به بالا و روش­های بالا به پایین تقسيم می­گردند. روش­های سلسله مراتبی پایین به بالا به اين صورت عمل می­کنند که در شروع هر کدام از داده­ ها را در يک خوشه جداگانه قرار می­دهد و در طول اجرا سعی می­کند تا خوشه­هايی نزديک به يکديگر را با هم ادغام نمايد. اين عمل ادغام تا زمانی که يا تنها يک خوشه داشته باشيم و يا اين­که شرط خاتمه برقرار گردد، ادامه می­يابد. روش­های بالا به پایین دقيقا به­طريقه عکس عمل می­کنند، به اين طريق که ابتدا تمام داده­ ها را در يک خوشه­ قرار می­دهد و در هر تکرار از الگوريتم، هر خوشه به خوشه­ های کوچک­تر شکسته می­شود و اين­کار تا زمانی ادامه می­يابد که يا هر کدام از خوشه­ ها تنها شامل يک داده باشند و يا شرط خاتمه الگوريتم برقرار گردد. شرط خاتمه معمولا تعداد کلاستر يا خوشه می­باشد.
  • روش ­های مبتنی بر چگالی: اکثر روش­های خوشه­ بندی که به­ روش تقسيم ­بندی عمل می­کنند. معمولا از تابع فاصله به ­عنوان تابع معيار خود بهره می­برند. استفاده از چنين معياری باعث می­گردد که الگوريتم خوشه ­بندی تنها قادر به ايجاد خوشه­ هايی با اشکال منظم باشد. در صورتي­که اگر خوشه ­های واقعی در داده ­ها دارای اشکال غيرمنظمی باشند، اين الگوريتم­ها در خوشه ­بندی آن­ها با مشکل مواجه می­گردند. برای حل اين­گونه مشکلات يک سری از روش­ها برای خوشه­ بندی پيشنهاد گرديده­ اند که عمل خوشه­ بندی را بر مبنای چگالی داده ­ها انجام می­دهند. ايده اصلی در اين روش­ها بر اين اساس است که خوشه­ ها تا زمانی که داده­های قرار گرفته در همسايگی خوشه­ ها از حد معينی بيشتر باشد، رشد می­کنند و بزرگ می­شوند. چنين روش­هايی قادرند خوشه­ هايی با شکل­های نامنظم نيز ايجاد نمايند.

البته دسته ديگری از روش­های خوشه بندی مانند روش ­های مبتنی بر شبکه[2]، روش­های مبتنی بر مدل و ... وجود دارند که از حوصله این تحقیق خارج است.

 

2.1.1 کشف قواعد وابستگی

بحث قواعد وابستگی به مقوله کشف عناصری يا المان­ هايی در يک مجموعه داده می­پردازد که معمولا با يکديگر اتفاق می­افتند و به ­عبارتی رخداد آن­ها به­نوعی با يکديگر ارتباط دارد. به ­طور کلی هر قاعده يا rule که از اين مجموعه داده­ به ­دست می­­آيد، دارای شکل کلی بصورت  می­باشد که نشان می­دهد چنانچه الگوی X اتفاق بيفتد، با احتمال بالايی الگوی Y نيز اتفاق خواهد افتاد.

3.1.1 طبقه ­بندی

فرايند طبقه­ بندی در واقع نوعی يادگيری باناظر می­باشد که در طی دو مرحله انجام می­گردد. در مرحله اول مجموعه­ ای از داده­ ها که در آن هر داده شامل تعدادی خصوصيت دارای مقدار و يک خصوصيت به ­نام خصوصيت کلاس می­باشد، برای ايجاد يک مدل داده بکار می­روند که اين مدل داده در واقع توصيف­ کننده مفهوم و خصوصيات مجموعه داده­ هايی است که اين مدل از روی آن­ها ايجاد شده است. مرحله دوم فرآيند طبقه ­بندی اعمال يا به ­کارگيری مدل داده ايجاد شده بر روی داده­ هايی است که شامل تمام خصوصيات داده­ هايی که برای ايجاد مدل داده به­ک ار گرفته­ شده ­اند، می­باشد، به­ جز خصوصيت کلاس اين مقادير که هدف از عمل طبقه ­بندی نيز تخمين مقدار اين خصوصيت می­باشد.

الگوريتم­ها و روش­های مختلفی برای طبقه ­بندی تاکنون پيشنهاد شده­اند که برای مثال می­توان از روش­های طبقه ­بندی با استفاده از درخت تصميم، طبقه ­بندی بيزين، SVM[3] ، طبقه ­بندی با استفاده از شبکه­ های عصبی، طبقه­ بندی مبتنی بر قواعد و ... نام برد.

در این تحقیق قصد نداریم به مبحث طبقه­بندی پرداخته شود، از این­رو در ادامه به توصیف خوشه­ بندی که موضوع اصلی تحقیق است پرداخته خواهد شد.

خوشه­ بندی یکی از شاخه ­های یادگیری بدون نظارت می­باشد و فرآیند خودکاری است که در طی آن، نمونه­ ها به دسته ­هایی که اعضای آن مشابه یکدیگر می­با­شند تقسیم می­شوند که به این دسته­ ها خوشه[4] گفته می­شود. بنابراین خوشه، مجموعه ­ای از اشیاء می­باشد که در آن اشیاء با یکدیگر مشابه بوده و با اشیاء موجود در خوشه­ های دیگر غیرمشابه می­باشند. برای مشابه بودن می­توان معیارهای مختلفی را در نظر گرفت مثلا می­توان معیار فاصله را برای خوشه­بندی مورد استفاده قرار داد و اشیائی را که به یکدیگر نزدیک­تر هستند را به­ عنوان یک خوشه در نظر گرفت که به این نوع خوشه ­بندی، خوشه ­بندی مبتنی بر فاصله[5] نیز گفته می­شود. به ­عنوان مثال در شکل 1-1 نمونه­ های ورودی در سمت چپ به چهار خوشه مشابه در شکل سمت راست تقسیم می­شوند. در این مثال هر یک از نمونه­ های ورودی به یکی از خوشه­ ها تعلق دارد و نمونه­ ای وجود ندارد که متعلق به بیش از یک خوشه باشد.

انجام پایان نامه کامپیوتر هوش مصنوعی

شکل 1-1 مثالی از ساختار خوشه­بندی

به ­عنوان یک مثال دیگر شکل 1-2 را در نظر بگیرید، در این شکل هر یک از دایره­ های کوچک یک وسیله نقلیه (شیء) را نشان می­دهد که با ویژگی­های وزن و حداکثر سرعت مشخص شده­اند. هریک از بیضی­ها یک خوشه می­باشد و عبارت کنار هر بیضی برچسب آن خوشه را نشان می­دهد. کل دستگاه مختصات که نمونه­ ها در آن نشان داده شده ­اند را فضای ویژگی می­گویند.

انجام پایان نامه کامپیوتر هوش مصنوعی

شکل 1-2 خوشه­بندی وسایل نقلیه

همان­طور که در شکل می­بینید وسایل نقلیه به سه خوشه تقسیم شده­ اند. برای هریک از این خوشه ­ها می­توان یک نماینده در نظر گرفت، مثلا می­توان میانگین وسایل نقلیه باری را محاسبه کرد و به­ عنوان نماینده خوشه وسایل نقلیه باری معرفی نمود. در واقع الگوریتم­های خوشه­ بندی اغلب بدین گونه­اند که یک سری نماینده اولیه برای نمونه­ های ورودی در نظر گرفته می­شود و سپس از روی میزان تشابه نمونه­ ها با این نماینده ­ها مشخص می­شود که نمونه به کدام خوشه تعلق دارد و بعد از این مرحله نماینده­های جدید برای هر خوشه محاسبه می­شود و دوباره نمونه­ ها با این نماینده ­ها مقایسه می­شوند تا مشخص شود که به کدام خوشه تعلق دارند و این کار آن­قدر تکرار می­شود تا زمانی­که نماینده­ های خوشه­ ها تغییری نکنند.

خوشه ­بندی با طبقه ­بندی[6] متفاوت است. در طبقه ­بندی، نمونه­ های ورودی برچسب­گ ذاری شده ­اند ولی در خوشه­ بندی نمونه­ های ورودی دارای بر چسب اولیه نمی­باشند و در واقع با استفاده از روش­های خوشه ­بندی است که داده ­های مشابه مشخص و به­ طور ضمنی برچسب­گذاری می­شوند. درواقع می­توان قبل از عملیات طبقه­ بندی داده­ ها یک خوشه ­بندی روی نمونه ­ها انجام داد و سپس مراکز خوشه­ های حاصل را محاسبه کرد و یک بر چسب به مراکز خوشه­ ها نسبت داد و سپس عملیات طبقه­ بندی را برای نمونه ­های ورودی جدید انجام داد.

هدف خوشه ­بندی یافتن خوشه­ های مشابه از اشیاء در بین نمونه ­های ورودی می­باشد اما چگونه می­توان گفت که یک خوشه­بندی مناسب است و دیگری مناسب نیست؟ می­توان نشان داد که هیچ معیار مطلقی برای بهترین خوشه­ بندی وجود ندارد بلکه این بستگی به مساله و نظر کاربر دارد که باید تصمیم بگیرد که آیا نمونه­ ها به­ درستی خوشه­ بندی شده­اند یا خیر. با این حال معیارهای مختلفی برای خوب­ بودن یک خوشه ­بندی ارائه شده است که می­تواند کاربر را برای رسیدن به یک خوشه­ بندی مناسب راهنمایی کند که در بخش­های بعدی چند نمونه از این معیارها آورده شده است. یکی از مسایل مهم در خوشه­بندی انتخاب تعداد خوشه­ها می­باشد. در بعضی از الگوریتم­ها تعداد خوشه­ ها از قبل مشخص شده است و در بعضی دیگر خود الگوریتم تصمیم می­گیرد که داده­ ها به چند خوشه تقسیم شوند. در ادامه به معرفی خوشه ­بندی فازی پرداخته می­شود.

انجام پایان نامه ، انجام پایان نامه کارشناسی ارشد ، انجام پایان نامه ارشد ، انجام رساله دکتری

برای درک بهتر خوشه ­بندی فازی و الگوریتم­های مختلف آن لازم است تا ابتدا با مفهوم مجموعه ­های فازی و تفاوت آن­ها با مجموعه­ های کلاسیک آشنا شویم. در مجموعه­ های کلاسیک، یک عضو از مجموعه مرجع یا عضوی از مجموعه A است یا عضو مجموعه A نیست. مثلا مجموعه مرجع اعداد حقیقی را در نظر بگیرید. عدد 2.5 عضو مجموعه اعداد صحیح نمی­باشد حال آن­که عدد 2 عضو این مجموعه است. به­ زبان دیگر تعلق عدد 2.5 به مجموعه اعداد صحیح 0 است و تعلق عدد 2 به این مجموعه 1 است. در واقع می­توان برای هر مجموعه یک تابع تعلق تعریف کرد که مقدار این تابع تعلق برای اعضای مجموعه  1 می­باشد و برای بقیه 0. در مجموعه­ های کلاسیک مقدار این تابع تعلق یا 0 است یا 1. حال مجموعه انسان­های جوان و پیر را در نظر بگیرید. سوالی که در اینجا مطرح می­شود این است که آیا فردی با سن 25 جزء این مجموعه است یا خیر؟ سن 30 چطور؟ 35؟ همان­طور که حدس زدید نمی­توان بطور قطع و یقین مرزی برای انسان­های جوان و پیر در نظر گرفت. دلیل آن هم این است که اگر فرضا 35 جوان محسوب شود 36 نیز می تواند جوان باشد و همینطور 37 و 38 و غیره. درواقع در این­جا با مفهوم عدم قطعیت[7] مواجه هستیم. ما خودمان نیز از عدم قطعیت در زندگی روزمره بارها استفاده کرده­ایم، مثلا هوای سرد، آب داغ و غیره. در واقع تمامی مثال­های بالا مثال­هایی از مجموعه ­های فازی می­باشند. تفاوت اصلی مجموعه ­های فازی و مجموعه ­های کلاسیک در این است که تابع تعلق مجموعه­ های فازی دو مقداری نیست (0 یا 1) بلکه می­تواند هر مقداری بین 0 تا 1 را اختیار کند. حال مجموعه انسان­های جوان و پیر را در نظر بگیرید اگر 25 سال را سن جوانی در نظر بگیریم می­توانیم به 25 تعلق 1 بدهیم و مثلا به 30 تعلق 0.8 و به 35 تعلق 0.75 و به 90 تعلق 0.1 را بدهیم. اگر اعضای یک مجموعه فازی تنها دارای تابع تعلق 0 و 1 باشند این مجموعه فازی یک مجموعه کلاسیک خواهد بود. نکته جالب توجه این است که مثلا سن 50 می­تواند با تعلق 0.5 عضو مجموعه جوان باشد و با تعلق 0.5 عضو مجموعه پیر یعنی یک عضو مجموعه مرجع می­تواند با درجه­ت های تعلق مختلف عضو مجموعه­ های فازی تعریف شده روی مجموعه مرجع باشد.

در خوشه ­بندی کلاسیک هر نمونه ورودی متعلق به یک و فقط یک خوشه می­باشد و نمی­تواند عضو دو خوشه و یا بیشتر باشد. مثلا در شکل دو هر یک وسایل نقلیه عضو یک خوشه می­باشد و نمونه­ای عضو دو خوشه نیست و به زبان دیگر خوشه ­ها هم­پوشانی ندارند. حال حالتی را در نظر بگیرید که میزان تشابه یک نمونه با دو خوشه و یا بیشتر یکسان باشد، در خوشه­بندی کلاسیک باید تصمیم ­گیری شود که این نمونه متعلق به کدام خوشه است. تفاوت اصلی خوشه ­بندی کلاسیک و خوشه­ بندی فازی در این است که یک نمونه می­تواند متعلق به بیش از یک خوشه باشد. برای روشن شدن مطلب شکل 1-3 را در نظر بگیرید:

انجام پایان نامه کامپیوتر هوش مصنوعی

شکل 1-3 مجموعه داده پروانه ­ای

اگر نمونه ­های ورودی مطابق شکل فوق باشند، مشخص است که می­توان داده ­ها را به دو خوشه تقسیم کرد اما مشکلی که پیش می­آید این است که داده مشخص­شده در وسط می­تواند عضو هر دو خوشه باشد، بنابراین باید تصمیم گرفت که داده مورد نظر متعلق به کدام خوشه است، خوشه سمت راست یا خوشه سمت چپ. اما اگر از خوشه­ بندی فازی استفاده کنیم داده مورد نظر با تعلق 0.5 عضو خوشه سمت راست و با تعلق مشابه عضو خوشه سمت چپ است. تفاوت دیگر در این است که مثلا نمونه­ های ورودی در سمت راست شکل 1-3 می­توانند با یک درجه تعلق خیلی کم عضو خوشه سمت چپ نیز باشند که همین موضوع برای نمونه ­های سمت چپ نیز صادق است.

انجام پایان نامه ، انجام پایان نامه کارشناسی ارشد ، انجام پایان نامه ارشد ، انجام رساله دکتری

به ­عنوان یک مثال دیگر شکل 1-4 را در نظر بگیرید. در این شکل نمونه ­هایی که با علامت بعلاوه مشخص شده ­اند به بیش از یک خوشه تعلق دارند.

انجام پایان نامه کامپیوتر هوش مصنوعی

شکل 1-4 خوشه­ بندی فازی داده­ ها

در مورد چگونگی عملکرد و تعریف رسمی و ریاضی الگوریتم خوشه ­بندی فازی در فصل سوم این سند توضیحات کامل­تر و جتمع­تر ارائه خواهد شد.

2.1 بیان مسئله

در حال حاضر باتوجه به افزایش روز افزون داده‌ها، بحث خوشه‌بندی و طبقه‌بندی داده‌ها در اولویت علم یادگیری ماشین قرار دارد. ارايه‌ی یک روش هوشمند كارآمد در حوزه‌ی علوم کامپیوتر می‌تواند بسیار مفید و کاربردی واقع شود.

با توجه به این­که ذات الگوریتم­ های خوشه ­بندی بدون ناظر هستند، دقت و کارایی این الگوریتم­ها یکی از چالش­های اصلی این حوزه است. در اکثر الگوریتم­های خوشه­بندی بدون در نظر گرفتن ماهیت داده و ساختار آن­ها، اقدام به خوشه­ بندی داده­ ها می­شود که در برخی از مجموعه داده ­ها این روش­ها از دقت کافی برخوردار نیستند. مهم­ترین مشکلی که اکثر الگوریتم­های خوشه­بندی مانند FCM با آن روبرو هستند، گرفتار شدن در مینیمم محلی است که می­بایست برای حل این مشکل از روش­های بهینه ­سازی مختلفی استفاده کرد.

از این­رو، لزوم ارائه روش­های خوشه ­بندی ترکیبی که قابلیت سازگاری و تطابق با داده­ها را نسبت به سایر الگوریتم­های خوشه­ بندی داشته باشند و بهینه­ سازی تابع هزینه خوشه ­بندی را نیز به بهترین شکل ممکن انجام دهند، پرواضح است. الگوریتم­هایی که برای شناسایی نمونه ها و داده­ های مشابه، از تکنیک­های اکتشافی و یادگیری ماشین مختلف استفاده می­کنند تا دقت الگوریتم خوشه­ بندی را افزایش دهند و داده­ ها به نحو بهتری جداسازی و در خوشه ­ها قرار گیرند. هدف این تحقیق نیز ارائه روشی ترکیبی برای حل این مشکل در حوزه مسائل خوشه­بندی است.

استفاده از روش ترکیبی مبتنی بر الگوریتم PSO[8] و الگوریتم Fuzzy C-means می‌تواند برای برآورد هزینه نرم افزارهایی که از آنالیز داده‌ها استفاده مي كنند و نيز رسیدن به قوانین پر تکرار انجمنی، مفید واقع شود. به­کارگیری روش ترکیبی الگوریتم PSO و سیستم استنتاجی تطبیقی عصبی-فازی (ANFIS[9]) برای خوشه بندی فازی نیز قابل استفاده است (PSO+ANFIS). از طرف دیگر به ­کارگیری الگوریتم‌های تکاملی در هسته‌ی الگوریتم Fuzzy C-means نیز پیشنهاد شده است. برای همین منظور سعی بر این است تا با استفاده از روش ترکیبی هوشمندی که بر مبنای الگوریتم Fuzzy C-means و الگوریتم بهینه‌سازی ازدحام ماهی‌ها [10](AFSA)، روشی كارآمد را ارايه داد که به خوشه ­بندی داده‌ها کمک نماید.

3.1 اهمیت، نوآوری و ضرورت انجام تحقیق

الگوریتم­های خوشه ­بندی را می­توان به چند دسته کلی تقسیم کرد که از جمله می­توان الگوریتم­های خوشه­بندی انحصاری، الگوریتم­های خوشه­ بندی دارای همپوشانی، الگوریتم­های خوشه ­بندی سلسله ­مراتبی و الگوریتم­های خوشه ­بندی احتمالی را نام برد. در بسیاری از کاربردهای واقعی ممکن است خوشه­ ها دارای همپوشانی باشند، بدین صورت که برخی از اشیاء دارای صفات مشترکی از چند خوشه باشند. یک راه منطقی برای لحاظ کردن هم­پوشانی خوشه­ ها انتساب مجموعه­ای از درجه عضویت به هر داده است. انتساب چندگانه درجه عضویت ناشی از ماهیت فازی خوشه­ها است. مسأله دیگر این­که مجموعه تمامی افرازهای حاصل از خوشه ­بندی قطعی بسیار زیاد می­باشد و این امر جستجوی کامل فضا را بسیار دشوار می­سازد. از طرف دیگر در تابع هزینه خوشه­بندی فازی نیز امکان گرفتار شدن در مینیمم­های محلی وجود دارد، از این­رو لزوم ارائه روشی کارا و مبتنی بر الگوریتم­های بهینه ­سازی برای خوشه­ بندی فازی داده­ ها به­ شدت احساس می­شود.

4.1 اهداف پژوهش

اهداف اصلی پژوهش را می­توان در قالب نکات زیر اشاره کرد.

  • هدف ارايه‌ی یک روش ترکیبی كارآمد با توجه به کاربردهای خوشه ­بندی داده‌ها است.
  • فشردگی داده‌ها در هنگام خوشه بندی بهبود یابد.
  • با استفاده از ضريب آستانه فازی، کیفیت خوشه بندی بهبود پیدا کند.
  • با استفاده از شبکه‌های عصبی فازی داده محور، کیفیت خوشه ­بندی را ارتقا دهیم.

5.1 روش اجرا

ابتدا داده‌های ورودی به الگوریتم Fuzzy C-means داده و خوشه ­بندی انجام می‌شود. سپس با استفاده از الگوریتم بهینه‌سازی ازدحام ماهی‌ها، این خوشه­ بندی بهبود داده می‌شود و در انتها از ضریب آستانه‌ی فازی، شبکه‌های عصبی فازی داده محور و توابع برازش الگوریتم ژنتیک برای بهبود خوشه ­بندی حاصل شده استفاده می‌شود.

6.1 نتایج مورد انتظار پس از تحقیق

همان­طور كه در بررسي كارهاي انجام شده مشاهده گرديد، موضوعات مهمي در خوشه ­بندي در نظر گرفته شده است كه مي­توان به شبكه­ هاي عصبي، PSO، الگوريتم ژنتيك، فازي نوع 1 و 2، و الگوريتم خوشه­بندي FCM اشاره نمود.  استفاده از فازي نوع 2 براي كاهش اثر عدم قطعيت در قوانين فازي مي­تواند تاثير مناسبي در خوشه­بندي بگذارد. اما يكي از الگوريتم­هاي ديگر كه مي­توان از آن با تركيب FCM ، استفاده كرد الگوريتم ازدحام ماهي مصنوعي مي­باشد. اين الگوريتم داراي سرعت همگرايي، انعطاف­پذيري و تحمل­پذيري خطاي بالايي است و از مزيت­هاي ديگر آن حساس­نبودن به مقادير اوليه مي­باشد كه مي­تواند يك مزيت مهم باشد. در اکثر الگوریتم­های اکتشافی، چگونگی و نحوه انتخاب مقادیر اولیه که اکتشاف فضای حالت مساله از آن آغاز می­شود بسیار مهم است، زیرا ممکن است در چندین اجرای مختلف یک الگوریتم، باتوجه به این­که مقادیر اولیه مناسب یا نامناسب باشند در مینیمم یا ماکسیمم محلی گرفتار بشود یا نشود، اما در این الگوریتم ساختار آن بدین صورت است که نتایج الگوریتم مستقل از مقادیر اولیه است و در همه حالات الگوریتم همگرا خواهد شد.

هدف ما در اين كار رسيدن به نتيجه بهتري از لحاظ فشردگي، جدايي با حفظ مصالحه و دقت خوشه­ بندي نسبت به سایر روش ­ها مي­ باشد.

7.1 نتیجه­ گیری

در این فصل به معرفی حوزه تحقیق، ارائه مقدمه ­ای از داده ­کاوی و خوشه­ بندی، مسئله تحقیق، ضرورت حل آن، اهداف تحقیق و جنبه نوآوری آن پرداخته شد. در فصل بعد مرورد ادبیات تحقیق و مقالات مربوطه ارائه می­شود.

[1] Dataset

[2] Grid

[3] Support Vector Machine

[4] Cluster

[5] Distance-based Clustering

[6] Classification

[7] Uncertainty

[8] Particle swarm optimization

[9] Adaptive-Network-based Fuzzy Inference Systems

[10] Artificial Fish Swarm Algorithm

 

اگر برای انجام پایان نامه در رشته مهندسی کامپیوتر و گرایش هوش مصنوعی نیاز به مشاوره رایگان دارید، همین الان با ما تماس بگیرید.

 

خدمات ادیب مشاور در زمینه رشته مهندسی کامپیوتر

ارائه موضوع پایان نامه مهندسی کامپیوتر

تدوین مقاله در رشته مهندسی کامپیوتر

مشاوره در تدوین پروپوزال مهندسی کامپیوتر

مشاوره و آموزش در پایان نامه مهندسی کامپیوتر

انجام شبیه سازی در رشته مهندسی کامپیوتر

استخراج مقاله در  رشته مهندسی کامپیوتر

استفاده از نرم افزارهای تخصصی همچون نرم افزار R، نرم افزار STATA، نرم افزار MATLAB، نرم افزار Vensim، نرم افزار LINGO، نرم افزار NS2

 

مشاوره تخصصی انجام پایان نامه ارشد

یکی از مهمترین وظایف دانشجویان در مقاطع تحصیلات تکمیلی (کارشناسی ارشد و دکتری) انجام پایان نامه می باشد. فقر اساتید خبره در زمینه های مختلف علمی تحقیقاتی در برخی دانشگاه های داخلی و خارجی موجب سردرگمی دانشجویان عزیز گردیده است، موسسه ادیب مشاور مفتخر است که در پاسخ به این نیاز طی ده سال فعالیت به تعداد بیشماری از دانشجویان ارشد و دکتری خدمات مشاوره تخصصی ارايه داده است.

به طور کلی انجام پایان نامه کاری زمان بر است که دانش و تجربه زیادی نیازمند است. موسسه ادیب مشاور با چندین سال تجربه در عرصه مشاوره و با در اختیار داشتن متخصصین و اساتیدی با تجربه آماده مشاوره و آموزش پایان نامه در کلیه رشته های دانشگاهی می باشد.

علاوه بر این موسسه ادیب مشاور، در زمینه شبیه سازی مقالات، پایان نامه ها و انجام پروژه ها با برنامه نویسی نیز به دانشجویان کشور عزیزمان خدمات لازم را ارائه می کند. این خدمات شامل تحلیل آماری، پیاده سازی با انواع نرم افزارهای مهندسی، برنامه نویسی با انواع زبان های برنامه نویسی و تهیه پرسش نامه می شود.

به طور کلی سر فصل های خدمات موسسه ادیب مشاور عبارتند از:

مشاوره پروپوزال در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

مشاوره پایان نامه در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

استخراج مقاله از پایان نامه در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

 

شبیه سازی انواع مقالات مهندسی (دپارتمان انجام پایان نامه هوش مصنوعی)

تحلیل آماری پایان نامه های آماری (دپارتمان انجام پایان نامه هوش مصنوعی)

تهیه پرسش نامه در رشته های مختلف دانشگاهی (دپارتمان انجام پایان نامه هوش مصنوعی)

تهیه پرسش نامه آنلاین در بستر اینترنت (دپارتمان انجام پایان نامه هوش مصنوعی)

مشاوره رایگان در انتخاب موضوع پایان نامه های مهندسی و سایر رشته ها (دپارتمان انجام پایان نامه هوش مصنوعی)

انجام پروژه های برنامه نویسی با انواع زبان های برنامه نویسی از قبیل پایتون، متلب و آموزش کامل پروژه انجام شده در قالب فیلم آموزشی (دپارتمان انجام پایان نامه هوش مصنوعی)

انجام پروژه های شبیه سازی شبکه یا پایان نامه های مرتبط با شبکه با نرم افزارهای NS2 و NS3 (دپارتمان انجام پایان نامه هوش مصنوعی)

 

مشاوره تخصصی انجام پایان نامه و شبیه سازی آن

موسسه ادیب مشاور با داشتن اساتیدی مجرب در حوزه کلیه تحلیل های آماری پرسشنامه ای، و انواع آزمون‌های آماري در تکمیل فصل چهار پایان نامه، به دانشجویان در کوتاه ترین زمان ممکن خدمات مشاوره و آموزش حرفه ای ارائه می دهد. هدف موسسه ادیب این است که دانشجویان کشور عزیزمان را در نگارش با کیفیت پایان نامه های کارشناسی ارشد یاری دهد.

خدمات ما شامل مشاوره و آموزش تحلیل آماری پایان نامه با نرم افزارهای زیر می باشد:

نرم افزار SPSS (دپارتمان انجام پایان نامه هوش مصنوعی)

با استفاده از این نرم افزار می توانیم آمار توصیفی و آمار استنباطی در پایان نامه ها را محاسبه کنیم. برای سنجش جمعیت شناختی، از آمار توصیفی در SPSS استفاده می شود. همچنین برای سنجش روابط بین متغیرها از آزمون همبستگی پیرسون یا اسپیرمن (بر اساس نوع توزیع آماری داده ها) استفاده می گردد، و در نهایت برای سنجش تاثیرات از آزمون رگرسیون خطی یا چندگانه استفاده می شود.

نرم افزار Vensim (دپارتمان انجام پایان نامه هوش مصنوعی)

از این نرم افزار برای سنجش طول زمان استفاده می گردد. به طور مثال وقتی می خواهیم برای مدت ۱۰ ساله تخمین بزنیم که روند فروش در ۱۰ سال آینده چقدر خواهد بود؟ با استفاده از این نرم افزار می توانیم به رشد یا نزول فروش در پایان نامه های مربوط به این حوزه پی ببریم.

نرم افزار LINGO (دپارتمان انجام پایان نامه هوش مصنوعی)

روش تحلیل پوششی داده ها DEA توسط این نرم افزار قابل مدلسازی و انجام است. در این روش ما با چند واحد تصمیم گیرنده (DMU) مواجه هستیم که هر یک با مصرف برخی ورودی ها، خروجی هایی را تولید می کند. در نهایت هدف اصلی این روش محاسبه کارایی واحدهای تصمیم گیرنده و ارائه راهکار برای افزایش کارایی واحدهای ناکاراست.

نرم افزار Lisrel (دپارتمان انجام پایان نامه هوش مصنوعی)

این نرم افزار، از نرم افزارهای مدل معادلات ساختاری است و برای داده های نرمال استفاده می شود. مدل‌های مرسوم در مدل سازی معادلات ساختاری (SEM) درواقع متشکل از دو بخش هستند. مدل اندازه‌گیری که چگونگی توضیح و تبیین متغیرهای پنهان توسط متغیرهای آشکار (سوالات) مربوطه را بررسی می‌نماید و مدل ساختاری که نشان می‌دهد چگونه متغیرهای پنهان در پیوند با یکدیگر قرار گرفته‌اند.

استفاده از مدل سازی معادلات ساختاری مزایای زیادی دارد که مهمترین آنها عبارتند از: الف) روابط چندگانه  را می تواند برآورد کند ب) قابلیت سنجش متغیرهای مشاهده نشده  ج) خطای اندازه‌گیری را می تواند محاسبه کند د) قابلیت بررسی تأثیر هم خطی ه) آزمون روابط جعلی و غیرواقعی.

نرم افزار Smart PLS (دپارتمان انجام پایان نامه هوش مصنوعی)

این نرم افزار، از نرم افزارهای مدل معادلات ساختاری است. و برای داده های غیرنرمال استفاده می گردد.  تحلیل عاملی مرتبه دوم به بالا فقط از طریق این نرم افزار میسر است. لذا امکان انجام تحلیل عاملی مرتبه دوم به بالا از طریق نرم افزار هایی مثل Amos و Lisrel مقدور نیست و فقط از طریق نرم افزار Smart PLS امکان پذیر می باشد.

نرم افزار Amos (دپارتمان انجام پایان نامه هوش مصنوعی)

این نرم افزار، از نرم افزارهای مدل معادلات ساختاری است برای داده های نرمال استفاده می شود. مدلسازی معادلات ساختاری توسط نرم افزار اموس در محیطی با قابلیت گرافیکی بالاتر و برای نمونه هایی با حجم بزرگ صورت می پذیرد. مدل‌های مرسوم در مدلسازی معادلات ساختاری (SEM) در واقع متشکل از دو بخش هستند:

مدل اندازه‌گیری که چگونگی توضیح و تبیین متغیرهای پنهان توسط متغیرهای آشکار (سوالات) مربوطه را بررسی می‌نماید.

مدل ساختاری که نشان می‌دهد چگونه متغیرهای پنهان در پیوند با یکدیگر قرار گرفته‌اند.

نرم افزار MATLAB (دپارتمان انجام پایان نامه هوش مصنوعی)

نرم افزار متلب را می توان به مانند یک ماشین حساب بسیار پیشرفته دانست. این نرم افزار دارای مجموعه ی عظیمی از توابع آماده است که شما را در فرآیند محاسبات یاری می کند. امکان طراحی رابط کاربری و دریافت خروجی ها در قالب نمودارها و جداول مختلف یکی دیگر از قابلیت های مهم این نرم افزار می باشد. این نرم افزار دارای کاربردهای زیادی است که از مهم ترین آن­ها می توان به بهینه سازی سبد سهام و پیش بینی قیمت سهام اشاره کرد.

نرم افزار  GIS (دپارتمان انجام پایان نامه هوش مصنوعی)

در دهه اخیر به سبب گسترش فناوری های رایانه ای، سیستم اطلاعات جغرافیایی امکان نگهداری به روز داده‌های زمین مرجع و نیز امکان ترکیب مجموعه داده‌های مختلف را به طور موثر فراهم ساخته است. امروزه (GIS) برای تحقیق و بررسی های علمی، مدیریت خدمات شهری، مدیریت منابع و ذخایر و همچنین برنامه ‏ریزی های توسعه ای به کار گرفته می‏ شود. فناوری (GIS) با جمع آوری و تلفیق اطلاعات، بوسیله تصویر سازی و استفاده ازآنالیزهای جغرافیایی، اطلاعاتی را برای تهیه نقشه فراهم می سازد. گروه تحقیقاتی طلوع (TMRG) کلیه پروژه های دانشجویی و راهنمایی در مورد پایان نامه های دانشجویی در زمینه های سیستم اطلاعات جغرافیایی، وب GIS، موبایل GIS و … را انجام می دهد.

مشاوره و انجام  پروژه های GIS  در تمام زمینه ها از جمله:

  • طراحی و ایجاد سیستم های اطلاعات مکانی (GIS) سازمانی
  • توسعه نرم افزاری Desktop و Mobile و سامانه تحت وب (WebGIS)
  • طراحی و پیاده سازی بانک های اطلاعات مکانی
  • اجرا و پیاده سازی تحلیل های مکانی مربوط به پروژه های منابع طبیعی و برنامه ریزی شهری مانند مکانیابی، مسیریابی
  • انجام کلیه پروژه‌های مکان یابی و درون یابی و تهیه نقشه های مرتبط
  • تهیه نقشه ها در زمینه های مختلف از جمله: محیط زیست، جغرافیا (شهری و روستایی)، باستان شناسی و …
  • اجرای مدل در GISدر AHP, ANP, VIKOR, TOPSIS, ELECTER, SAW
  • تبدیل نقشه های CAD به لایه های GIS  دارای مختصات
  • و…

نرم افزار Excel و SuperDecision (دپارتمان انجام پایان نامه هوش مصنوعی)

تکنینک های مختلف تصمیم گیری با معیارها و گزینه های چندگانه (MCDM & MADM) توسط این نرم افزارها قابل انجام است که از جمله این تکنیک ها می توان به موارد زیر اشاره نمود:

روش تحلیل سلسله مراتبی (AHP)

روش فرآیند تحلیل شبکه (ANP)

روش تاپسیس (TOPSIS) که مبتنی بر محاسبه فاصله ریاضی گزینه ها از نقاط مطلوب مثبت و منفی می باشد.

روش دیماتل (DEMATEL): در این روش تأثیر و تأثر شاخص ها بر همدیگر محاسبه شده و درنهایت شاخص های پژوهش در دو گروه علی و معلول دسته بندی می شوند.

نکته: تمامی روش های تصمیم گیری چند معیاره فوق در محیط های قطعی و فازی قابل انجام می باشند. معمولاً در مورد موضوعاتی که قطعیت آنها به مراتب کمتر است از فواصل و اعداد فازی جهت محاسبات استفاده می شود.

نرم افزار STATA (دپارتمان انجام پایان نامه هوش مصنوعی)

تخصص اصلی این نرم افزار در رشته اقتصاد است اما در رشته های مالی و حسابداری نیز قابلیت استفاده دارد. مدلهاي مختلف رگرسيون و تخمین مدل های اقتصادسنجی سری زمانی، پانل و مقطعی از کاربردهای آن می باشد.

نرم افزار Eviews (دپارتمان انجام پایان نامه هوش مصنوعی)

تخصص و کاربرد اصلی این نرم افزار در رشته اقتصاد است ولی به طور گسترده ای در رشته های حسابداری و مالی نیز وارد شده است. تحليل هاي آماري پانل ديتا، انواع مدل رگرسيون، سري زماني، آزمون هاي هاسمن چاو، تحليل سري زماني هاي اقتصادي و … از کاربردهای آن می باشد.

نرم افزار R (دپارتمان انجام پایان نامه هوش مصنوعی)

نرم­ افزار آماری است که در رشته­ های مختلفی کاربرد دارد و قابل استفاده در رشته­ های مالی، اقتصاد و حسابداری است. از جمله کاربردهای این نرم افزار بهینه سازی سرمایه­ گذاری و تخمین مدل های اقتصاد سنجی است.

نرم افزار MINITAP (دپارتمان انجام پایان نامه هوش مصنوعی)

از جمله کاربردهای این نرم افزار آزمون هاي آماري نرمال سازي متغيرها، رگرسيون، انواع نمودارهاي آماري می باشد.

نرم افزار SPSS (دپارتمان انجام پایان نامه هوش مصنوعی)

نرم افزار گمز (دپارتمان انجام پایان نامه هوش مصنوعی)

اگر برای هریک از موارد فوق نیاز به مشاوره رایگان دارید، همین الان با ما تماس بگیرید.

 

انجام پایان نامه ارشد و دکتری ادیب مشاور، انجام پایان نامه، انجام پایان نامه ارشد، انجام پایان نامه کارشناسی ارشد، انجام رساله دکتری، انجام پایان نامه دکتری