امکان یادگیری از مبناهای موارد کوچک با مدل های شباهت مبتنی بر قوانین فازی
ترجمه شده

امکان یادگیری از مبناهای موارد کوچک با مدل های شباهت مبتنی بر قوانین فازی

عنوان فارسی مقاله: مدل های شباهت مبتنی بر قوانین فازی، امکان یادگیری از مبناهای موارد کوچک را فراهم میکند
عنوان انگلیسی مقاله: Fuzzy rule-based similarity model enables learning from small case bases
مجله/کنفرانس: محاسبات نرم کاربردی - Applied Soft Computing
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی
کلمات کلیدی فارسی: شباهت، استدلال مبتنی بر مورد، قوانین فازی، یادگیری
کلمات کلیدی انگلیسی: Similarity - Case-based reasoning - Fuzzy rules - Learning
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.asoc.2012.11.009
دانشگاه: دانشکده نوآوری، طراحی و مهندسی، دانشگاه ملبورن، سوئد
صفحات مقاله انگلیسی: 8
صفحات مقاله فارسی: 23
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2013
ایمپکت فاکتور: 7.149 در سال 2019
شاخص H_index: 124 در سال 2020
شاخص SJR: 1.405 در سال 2019
ترجمه شده از: انگلیسی به فارسی
شناسه ISSN: 1568-4946
شاخص Quartile (چارک): Q1 در سال 2019
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه شده و آماده دانلود
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
مقاله بیس: خیر
مدل مفهومی: ندارد
کد محصول: 224
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
پرسشنامه: ندارد
متغیر: ندارد
درج شدن منابع داخل متن در ترجمه: خیر
ترجمه شدن توضیحات زیر تصاویر و جداول: بله
ترجمه شدن متون داخل تصاویر و جداول: خیر
نمونه ترجمه فارسی مقاله

چکیده

ایده ی شباهت نقش بسیار مهمی را در استدلال های موردی دارد. اما، معنی شباهت ممکن است در شرایط مختلف تفاوت داشته باشد و بسیار مبتنی بر دامنه ی مورد نظر میباشد. این مقاله یک مدل شباهت جدید را ارائه میدهد که مبتنی بر قوانین فازی زبانی به عنوان مخزن دانش میباشد. ما بر این باور هستیم که قوانین فازی میتوانند ابزار بسیار خوبی برای نشان دادن دانش و معیاری برای بررسی شباهت ها نسبت به معیار های قدیمی باشند. قوانین یادگیری شباهت فازی با استفاده از نمونه های شباهت که از جفت موارد شناخته شده ایجاد شده ، با دانش مخفی برای یادگیری شباهت، اجرا میشود. ما مقایسه های جفت جفت از موارد را انجام میدهیم تا بتوانیم نمونه های تمرینی مناسب را برای هر  قانون شباهت فازی به دست بیاوریم. نتایج تجربی نشان داد که این روش میتواند دانش شباهت فازی را از تعداد کمی از موارد به دست بیاورد و میتواند عملکردی قابل مقایسه با سیستم های CBR فراهم کند تا بر روی کتابخانه های موارد کم نیز از آن ها استفاده کرد.

1. مقدمه

استدلال بر مبنای موارد (CBR)نشان دهنده ی یک روش بسیار مهم شناختی در زمینه ی هوش مصنوعی میباشد که از تجربه های قبلی برای حل مسئله های جدید استفاده میکند. یکی از اصول زیرین CBR این فرضیه است که مسئله های مشابه دارای راه حل های مشابه هستند. ازین رو یک سیستم CBR نخست موارد را در مورد نمونه که مشابه با مسئله ی مطرح شده است به دست می آورند و سپس این راه حل های به دست آمده را اصلاح میکنند تا بتوان از آن ها در شرایط جدید استفاده کرد. 

نمونه متن انگلیسی مقاله

abstract

The concept of similarity plays a fundamental role in case-based reasoning. However, the meaning of “similarity” can vary in situations and is largely domain dependent. This paper proposes a novel similarity model consisting of linguistic fuzzy rules as the knowledge container. We believe that fuzzy rules representation offers a more flexible means to express the knowledge and criteria for similarity assessment than traditional similarity metrics. The learning of fuzzy similarity rules is performed by exploiting the case base, which is utilized as a valuable resource with hidden knowledge for similarity learning. A sample of similarity is created from a pair of known cases in which the vicinity of case solutions reveals the similarity of case problems. We do pair-wise comparisons of cases in the case base to derive adequate training examples for learning fuzzy similarity rules. The empirical studies have demonstrated that the proposed approach is capable of discovering fuzzy similarity knowledge from a rather low number of cases, giving rise to the competence of CBR systems to work on a small case library.

1. Introduction

Case-based reasoning (CBR) presents an important cognitive methodology in Artificial Intelligence, which advocates the use of previous experiences to solve new problems [1]. A fundamental principle that underlies CBR is the hypothesis that similar problems have similar solutions. Hence a CBR system first retrieves cases in the case base that are similar to a query problem and then refines the solutions of the retrieved cases to tackle the new situation at hand.

ترجمه فارسی فهرست مطالب

چکیده

1. مقدمه

2. کار های مربوطه

3. استدلال های مبتنی بر مورد: یک الگوی عمومی

4. مدل های شباهت مبتنی بر قوانین فازی

4.1 فواید مدل های شباهت مبتنی بر قوانین فازی

4.2 قوانین فازی و استدلال برای ارزیابی های شباهت

5. قوانین یادگیری فازی از موارد مبنا

5.1 به دست آوردن نمونه های تمرینی از کتابخانه موارد

5.2 قوانین فازی یادگیری توسط الگوریتم ژنتیک

6. ارزیابی‌های تجربی

6.1. طرحواره‌ یادگیری در آزمایش‌ها

6.2. نتایج طبقه‌بندی بر اساس پایگاه‌های داده‌ کوچک

7. نتیجه‌گیری

فهرست انگلیسی مطالب

abstract

1. Introduction

2. Related works

3. Case-based reasoning: a general paradigm

4. Fuzzy rules based similarity model

4.1. The benefits of fuzzy rule based similarity model

4.2. Fuzzy rules and reasoning for similarity assessment

5. Learning fuzzy rules from case bases

5.1. Deriving training examples from the case library

5.2. Learning fuzzy rules by genetic algorithms

6. Experimental evaluations

6.1. Scheme of learning in experiments

6.2. Classification results based on small case bases

7. Conclusion

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۳۲,۷۰۰ تومان
خرید محصول