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