Transcript بسم الله الرحمن الرحیم مدل نورو-فازی تطبیقی برای بررسی عملکرد

‫سمینار مدلسازی سیستم های بیولوژیکی‬
‫دکتر توحید خواه‬
‫ارائه دهنده‬
‫عطیه مقیمی‬
‫فهرست عناوین‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪2‬‬
‫مقدمه بر تئوری فازی‬
‫مشکالت موجود‬
‫سیستم های نورو‪ -‬فازی تطبیقی‬
‫مروری بر روش های ارزیابی عملکرد موجود‬
‫توسعه سیستم استنتاج نورو‪ -‬فازی تطبیقی‬
‫مراجع‬
‫نتیجه گیری‬
‫تئوری فازی‬
‫‪ ‬در ‪ ،1965‬زاده اولین مقاله درباره روش جدیدی برای توصیف عدم‬
‫قطعیت های غیراحتماالتی ارائه نمود که آن را مجموعه های فازی نامید‬
‫‪ ‬مجموعه فازی ‪ :‬یک مجموعه بدون مرز قطعی‬
‫‪ ‬گذار تدریجی بین تعلق داشتن و عدم تعلق به یک مجموعه‬
‫‪ ‬این گذار آرام با توابع تعلق توصیف می شود که باعث انعطاف پذیری‬
‫مجموعه های فازی در مدلسازی عبارات زبانی می شود‬
‫مجموعه فازی ‪ A‬در فضای ورودی ‪ : X‬یک مجموعه زوج مرتب‬
‫تابع تعلق هر عنصر در ‪ X‬را به یک مقدار تعلق بین ‪ 0‬و ‪ 1‬می نگارد‪.‬‬
‫‪3‬‬
‫تئوری فازی‬
‫‪ ‬تابع تعلق بل شکل تعمیم یافته‬
‫‪ Bell MF ‬با سه پارامتر }‪ {a, b, c‬مشخص می شود‪:‬‬
‫‪4‬‬
‫تئوری فازی‬
‫‪ ‬قوانین اگر‪-‬آنگاه فازی‬
‫‪if x is A then y is B‬‬
‫‪ A , B‬مقادیر زبانی تعریف شده توسط مجموعه های فازی در فضاهای ‪X ,‬‬
‫‪ Y‬هستند‬
‫‪ ‬استدالل فازی یا استدالل تقریبی‬
‫یک روال استنتاجی است که برای استخراج نتیجه قوانین اگر‪ -‬آنگاه و‬
‫یک یا چند شرط استفاده می شود‬
‫‪5‬‬
‫تئوری فازی‬
‫‪ ‬مدل های فازی (سیستم استنتاج فازی)‬
‫‪ ‬یک قالب محاسباتی عمومی شامل مولفه مفهومی‬
‫‪ ‬یک پایگاه قانون‪ :‬انتخاب قوانین فازی‬
‫‪ ‬یک پایگاه داده‪ :‬تعیین تابع تعلق مورد استفاده در قوانین فازی‬
‫‪ ‬یک مکانیسم استدالل‪ :‬انجام روال استنتاج بر مبنای قوانین و یک شرط‬
‫داده شده برای استخراج یک خروجی قابل قبول‬
‫‪ ‬مدل فازی ‪Sugeno‬‬
‫‪ ‬یک نمونه قانون فازی‪if z is A and y is B then z = f ( z ,y ) :‬‬
‫‪ A , B ‬مجموعه های فازی و ‪ f‬یک تابع قطعی(معموال یک چند جمله ای)‬
‫‪ ‬چون هر قانون یک خروجی قطعی دارد‪ ،‬خروجی نهایی از طریق‬
‫میانگین گیری وزن دار بدست می آید‬
‫‪6‬‬
‫تئوری فازی‬
‫‪ ‬شیوه های تفکیک برای مدل های فازی‬
‫‪ ‬مقدم های قوانین فازی‪ ،‬فضای ورودی را به تعدادی نواحی محلی تفکیک‬
‫می کنند در حالی که تالی ها رفتار درون یک ناحیه داده شده را از طریق‬
‫مولفه های مختلف توصیف می کنند‬
‫‪ ‬تفکیک پراکندگی‬
‫با پوشش زیرمجموعه ای از کل فضای ورودی‬
‫که یک ناحیه رخداد ممکن از بردارهای ورودی‬
‫را توصیف می کند‪ ،‬تفکیک پراکندگی همچنین‬
‫می تواند تعداد قوانین را تا حد قابل قبولی‬
‫محدود نماید‬
‫‪7‬‬
‫مشکالت موجود‬
‫‪ ‬با این همه‪ ،‬این روش وقتی که هیچ دانش زبانی وجود ندارد نه امکان‬
‫پذیر است و نه مناسب‬
‫‪ ‬طراحی دستی سیستم های فازی ممکن است به دلیل سختی تعیین توابع‬
‫تعلق یا ساختارهای استدالل به زمان سعی و خطای طوالنی و دانش‬
‫ورودی زیادی از متخصص نیاز داشته باشد‬
‫‪ ‬سیستم های فازی فاقد توانایی یادگیری هستند‬
‫‪ ‬در موارد مشابه با شرایط متفاوت عملکرد متفاوتی دارند‬
‫‪8‬‬
‫سیستم های نورو‪ -‬فازی تطبیقی‬
‫‪adaptive neuro-fuzzy systems‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪9‬‬
‫سیستم های فازی مناسب برای حالتی که دانش متخصص کافی برای‬
‫فرایند موجود باشد‬
‫در حالی که سیستم های عصبی مناسب برای حالتی که داده فرایند کافی‬
‫یا قابل اندازه گیری وجود داشته باشد‬
‫هر دو شیوه سیستم های غیرخطی بر مبنای متغیرهای پیوسته محدود می‬
‫سازند با این تفاوت که سیستم های عصبی در یک شیوه کمیتی نمادین‬
‫عمل می کنند ولی سیستم های فازی به شیوه کیفیتی نمادین‬
‫بنابراین با ترکیب این دو‪ ،‬سیستم های فازی قالب قدرتمندی برای نمایش‬
‫دانش متخصص فراهم می نمایند و شبکه های عصبی توانایی یادگیری را‬
‫مروری بر روش های ارزیابی عملکرد موجود‬
‫‪ ‬آموزش فرایندی است که دانشجویان را از مراحل پایین پذیرفته‪ ،‬از چندین‬
‫مرحله پیشرفت عبور داده و افرداد متخصصی با توانایی و مهارت های ویژه و‬
‫مناسب برای یک شغل یا مرحله باالتر آموزش‪ ،‬فراهم می نماید‬
‫‪ ‬ویژگی های سیستم کلی به طور مرسوم توسط مدل هایی بر اساس تعداد درس‬
‫هایی که دانشجو گذرانده و میانگین نمرات کل مشخص می شود‬
‫‪ ‬این سیستم شایستگی اکتساب شده برای دوران بعدی را تضمین نمی نماید‬
‫‪ ‬روش جدیدی بر مبنای یاد گرفته ها نه آموخته های دانشجو‪ ،‬تعریف شده است‬
‫‪10‬‬
‫روش های ارزیابی عملکرد موجود‬
‫‪ ‬هدف از بررسی عملکرد تحصیلی دانشجو‬
‫‪ ‬تصمیم گیری درباره قبول یا رد شدن در دروس‬
‫‪ ‬بدست آوردن نشانه ای برای سطح یادگیری دانشجویان‬
‫‪ ‬فراهم کردن اطالعاتی درباره سودمندی آموزش‬
‫‪ ‬در این بررسی جمع وزن دار ابزار های ارزیابی برای محاسبه امتیاز‬
‫عددی هر دانشجو به صورت زیر حساب شده است‪:‬‬
‫‪ Quiz (Q) is 10%, Major (M) is 15%, Midterm (MD) is‬‬
‫)‪20%, Final (F) is 40%, Performance Appraisals (P‬‬
‫‪is 10%, and Survey (S) is 5%.‬‬
‫‪11‬‬
‫توسعه سیستم استنتاج نورو‪ -‬فازی تطبیقی‬
‫‪ ‬در این بررسی ‪ 228‬نمونه داده برای توسعه مدل ‪ ANFIS‬در نظر‬
‫گرفته شده‬
‫‪ ‬بخشی از مجموعه داده های ورودی برای آموزش و ساخت و بخش دیگر‬
‫برای تست عملکرد مدل استفاده شده است‬
‫‪ ‬مدل ‪ ANFIS‬می تواند مقادیر عددی قطعی تولید نموده و شامل‬
‫پارامترهای‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪12‬‬
‫تعریف متغیرهای ورودی و خروجی توسط عبارات زبانی‬
‫تصمیم گیری درباره بخش های فازی فضاهای ورودی و خروجی‬
‫انتخاب توابع تعلق برای متغیرهای زبانی ورودی و خروجی‬
‫تصمیم گیری درباره نوع قوانین کنترلی فازی‬
‫طراحی مکانیسم استنتاج‬
‫انتخاب یک روش غیرفازی سازی‬
‫توسعه سیستم استنتاج نورو‪ -‬فازی تطبیقی‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫تعداد قوانین معموال برابر تعداد کالسترهای خروجی است‬
‫پنج مرکز کالستر برای این مجموعه داده در نطر گرفته شده است‬
‫تعداد مجموعه قانون برابر با تعداد کالسترها است که هر یک بیانگر‬
‫ویژگی کالستر است‬
‫از مدل سوگنو برای روال استدالل استفاده شده است‬
‫پارامترهای ورودی‬
‫‪ Quiz(Q), Major (M), Midterm (MD), Final (F),‬‬
‫’)‪Performance Appraisals (P),and Survey (S‬‬
‫‪ ‬خروجی‪‘Student’s Academic Performance(SAP)’ :‬‬
‫‪ ‬برچسب های متغیرهای زبانی‬
‫‪ ‘unsatisfactory(A ), average (A ), good (A ), very well (A ),‬‬
‫‪4‬‬
‫‪13‬‬
‫‪3‬‬
‫‪2‬‬
‫‪1‬‬
‫) ‪excellent (A‬‬
‫‪5‬‬
‫ فازی تطبیقی‬-‫توسعه سیستم استنتاج نورو‬
:‫ آنگاه استفاده شده‬-‫ نمونه قوانین اگر‬
 ‘IF the Quiz(Q) of a student is Good and Major (M)
exams are Good and Midterm(MD) exam is Very-good
and Final (F) exam is Good THEN The SAP will be
Good’
‫ درجه تعلق هر مقدار زبانی توسط تابع بل شکل محاسبه شده است‬
14
‫روال استنتاج فازی برای ارزیابی مدل سوگنو‬
‫‪15‬‬
‫توابع تعلق تنظیم شده‬
‫‪ Final exam, Major exam‬به عنوان توابع ورودی‬
‫‪16‬‬
‫ساختار ‪ ANFIS‬برای مدل ‪ 6‬ورودی‪ -‬یک خروجی فازی سوگنو‬
‫‪17‬‬
‫خروجی ‪ ANFIS‬در مقایسه با روش آماری مرسوم‬
‫‪18‬‬
‫مراجع‬
 An adaptive neuro-fuzzy model for prediction of
student’s academic performance q. Osman Taylan
,Bahattin Karagozog˘lu . Computers & Industrial
Engineering 57 (2009) 732–74 .
 Neuro-Fuzzy Modeling and Control. JYH-SHING
ROGER JANG, MEMBER, IEEE, AND CHUEN-TSAI
SUN, MEMBER, IEEE. PROCEEDINGS OF THE IEEE,
VOL. 83, NO. 3, MARCH 1995
19
‫با تشکر از توجه شما‬
‫‪20‬‬