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.
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.
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
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