دانلود مقاله ترجمه شده isi

این ترجمه مقاله را با دوستان خود به اشتراک بگذارید.

چکیده

استدلال مبتنی بر مورد (CBR) یک روش استدلال قیاسی است، که با مرتبط کردن برخی مسائل حل شده‌ی قبلی به یک مسئله‌ی حل نشده‌ی جاری آنها را حل می‌نماید تا بدین ترتیب استنتاج های قیاسی برای حل مسئله انجام دهد. اما CBR با چالش اختصاص وزن به ویژگیها به منظور سنجش تشابه بین یک مورد حل نشده‌ی جاری و موارد ذخیره شده در پایگاه مورد به صورت کارآمدو صحیح مواجه است.

مفهوم هرس کردن شبکه عصبی پیش از بین برای مرتب کردن مسئله‌ی وزن دهی به ویژگی در CBR استفاده شده است. اما این کار فاقد تعمیم پذیری و دانش واقعی کشف شده در پیوندهای ANN می‌باشد. این مقاله روشی را به منظور استخراج وزنهای سمبلیک از یک شبکه عصبی آموزش دیده با مشاهده کل شبکه عصبی آموزش دیده به عنوان یک نمودار AND/ OR و سپس یافتن راه حل برای هر گره پیشنهاد می‌دهد، که آن راه حل تبدیل به وزن گره مربوطه می‌گردد. مکانیزم وزن دهی ویژگی پیشنهادی به منظور ایجاد یک سیستم خبره هیبریدی برای کار دسته بندی استفاده شد و عملکرد سیستم هیبریدی پیشنهادی با سیستمی که مکانیزم وزن دهی ویژگی دیگری دارد مقایسه گردید.

این عملکرد بر روی مجموعه داده‌ی آنفولانزای خوکی و مجموعه داده های یونوسفر، سونار و قلب که از انبار UCI جمع آوری شده بودند اعتبار سنجی شد. با توجه به نتایج تجربی مشاهده می‌شود که در تمام آزمایشات مکانیزم وزن دهی ویژگی پیشنهادی بهتر از اغلب مکانیزم های وزن دهی اولیه که از شبکه عصبی آموزش دیده استخراج شده‌اند کار می‌کند.

Abstract

Case Based Reasoning (CBR) is an analogical reasoning method, which solves problems by relating some previously solved problems to a current unsolved problem to draw analogical inferences for problem solving. But CBR faces the challenge of  assigning weights to the features to measure similarity between a current unsolved case and cases stored in the case base effectively and correctly. The concept of neural network’s pruning is already used to sort out feature weighting problem in CBR. But it loses generality and actual elicited knowledge in the ANN’s links.

This work proposes a method to extract symbolic weights from a trained neural network by observing the whole trained neural network as an AND/OR graph and then finds solution for each node that becomes the weight of a corresponding node. The proposed feature weighting mechanism is used in CBR to build a hybrid expert system for classification task and the performance of the proposed hybrid system is  compared with that with other feature weighting mechanisms. The performance is validated on swine flu dataset and ionosphere, sonar and heart datasets collected from UCI repository. From the empirical results it is observed that in all the experiments the proposed feature weighting mechanism outperforms most of the earlier weighting mechanisms extracted from trained neural network.

این ترجمه مقاله را با دوستان خود به اشتراک بگذارید.

شاید این مقاله هم به دردتان بخورد  محاسبات تکاملی اِعمال شده به مدیریت روابط مشتری: یک بررسی
درباره احسان رضایی

سفارش ترجمه آنلاین خدمات ترجمه مقاله isi به صورت فوری کاهش هزینه و زمان در سفارش ترجمه آنلاین

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *