دانلود ترجمه مقاله کاوشگر فازی: سیستم فازی جهت حل مسائل دسته بندی الگو

1. مقدمه 2. مرور مقایسه ای سیستم های دسته بندی الگو 3. توصیف ماینر فازی 4. ارزیابی ماینر فازی 5. نتیجه گیری و مطالعات آتی

مقدمه: اخیراً، قابلیت ها برای تولید و جمع آوری داده، سریعاً افزایش یافته است. در نتیجه، داده کاوی به یک زمینه پژوهشی با اهمیت روز افزون تبدیل شده است. همچنین، داده کاوی که به آن اکتشاف دانش در پایگاه های داده گفته می شود [2]، با مسائلی مانند شناسایی، مقایسه، ارتباط دادن، دسته بندی، برآورد و خوشه بندی سروکار دارد. این مقاله با مسئله دسته بندی سروکار دارد. بطور کلی، دسته بندی (یا تشخیص) الگو ، دانشی است که با توصیف یا دسته بندی اندازه گیری ها سروکار دارد. به بیان فنی تر، دسته بندی الگو، فرآیندی است که خواص مشترک را میان یک مجموعه از اشیاء (شیء نرم افزاری) در یک پایگاه داده پیدا می کند و آنها را طبق یک مدل دسته بندی، به کلاسهای مختلف دسته بندی می کند. مدلهای کلاسیک معمولاً تلاش می کنند از اطلاعات «مبهم»، «غیردقیق» یا «غیرقطعی» اجتناب کنند، زیرا اینگونه تلقی می شود که تاثیری منفی در یک فرآیند استنباط دارند. این مقاله چالش سروکار داشتن با چنین نوع اطلاعات را با معرفی یک سیستم فازی، قبول دارد، سیستمی که به صورت اختیاری از آن استفاده می کند. ایده اصلی سیستم های فازی، توسعه مدل سازی دو ارزشی کلاسیک مفاهیم و ویژگیهایی مانند «بلند»، «سریع» یا «قدیمی» به صورت صورت واقعیت تدریجی، می باشد. این بدان معناست که یک شخص فقط از نظر «بلند (قد) بودن» یا «بلند نبودن» در نظر گرفته نمی شود، بلکه به میزانی بین صفر و 1، بلندقد تلقی می شود. این معمولاً باعث بوجود آمدن مدلهای ساده تر و مناسب تر می شود، که سروکار داشتن با آنها ساده تر است و تفکر انسانی با آنها آشناتر است. این مقاله، بعد از فراهم کردن یک مرور ادبی مقایسه ای از روشهای دسته بندی الگو (بخش 2)، الگوی بالا را دنبال می کند و یک روش فازی ابتکاری موثر برای دسته بندی داده های عددی پیشنهاد می کند (بخش 3). ایده اولیه از این واقعیت می آید که سیستم های فازی، تقریب زنندگان جهانی [4] از هر تابع پیوسته حقیقی هستند. چنین روش تقریبی [8] که از حوزه سیستم های کنترل فازی می آید، بصورت مناسب تنظیم می شود تا یک جواب کارآمد قوی در حوزه دسته بندی الگو، تولید کند. یک فرآیند «تطبیقی» نیز معرفی ، ابداع می شود و در مکانیزم قبلی جهت استخراج خودکار قوانین «اگر- آنگاه» زبانی بسیار دقیق، بکرا برده می شود. توصیف روش کار با نشان دادن طراحی و مسائل پیاده سازی ابزار متناظر (فازی ماینر)، ترکیب و همراه می شود. مطالعه حاضر بوسیله آزمون های شبیه سازی گسترده، ارزیابی می شود (بخش 4). در نهایت، این مقاله نتیجه گیری می کند (بخش 5) و جهت گیریهای نویدبخشی برای تحقیقات آتی در مورد این موضوع، را نشان می دهد.

Introduction: Recently, our capabilities of both generating and collecting data have increased rapidly. Consequently, data mining has become a research area with increasing importance. Data mining also referred to as knowledge discovery in databases [2], deals with problems such as characterization, comparison, association, classification, prediction and clustering. This paper elaborates with the problem of classification. Broadly speaking, pattern classification (or recognition) is the science that concerns the description or classification of measurements. More technically, pattern classification is the process that finds the common properties among a set of objects in a database and classifies them into different classes, according to a classification model. Classical models usually try to avoid vague, imprecise or uncertain information, because it is considered as having a negative influence in an inference process. This paper accepts the challenge to deal with such kind of information, by introducing a fuzzy system, which deliberately makes use of it. The main idea of fuzzy systems is to extend the classical two valued modelling of concepts and attributes like tall, fast or old in a sense of gradual truth. This means that a person is not just viewed as tall or not tall, but as tall to a certain degree between 0 and 1. This usually leads to simpler, more suitable models, which are easier to handle and are more familiar to human thinking. This paper, after providing a brief comparative overview of pattern classification approaches (section 2), follows the above paradigm and proposes an effective heuristic fuzzy method for the classification of numerical data (section 3). The initial idea comes from the fact that fuzzy systems are universal approximators [4] of any real continuous function. Such an approximation method [8] coming from the domain of fuzzy control systems is appropriately adjusted in order to produce a powerful working solution in the domain of pattern classification. An “adaptive“ process is also introduced, developed and incorporated into the previous mechanism for deriving automatically highly accurate linguistic if-then rules. The description of the methodology is combined with the illustration of the design and the implementation issues of the corresponding tool (Fuzzy Miner). The current work is evaluated (section 4) by extensive simulation tests. Finally, the paper concludes (section 5) and identifies promising directions for future work pointed to by this effort.