ارسال پاسخ 
 
امتیاز موضوع:
  • 0 رأی - میانگین امتیازات: 0
  • 1
  • 2
  • 3
  • 4
  • 5
تصمیم گیری و اکتساب دانش در سیستمهای خبره doc فایل 160 صفحه
01-29-2018, 11:17 AM (آخرین ویرایش در این ارسال: 01-23-2019 03:35 PM، توسط ali.)
ارسال: #1
تصمیم گیری و اکتساب دانش در سیستمهای خبره doc فایل 160 صفحه
مزايا و معايب روش هاي نمايش دانش :
روش قوانين توليد :
مزايا : واحد مند ، انعطاف پذير و براي بسیاري دامنه ها ( موضوعات ) مناسب هستند.
معايب : نمايش دانش توصيفي ، همچنين مشكل جداسازي محدوده دانش حل مسئله وجود دارد.
روش منطق :
مزايا : دقت ، به اين معني كه اگر مقدمات درست باشند صحت نتايج را تضمين مي كند. برنامه ها را به سمت اعلاني سوق مي دهد مثل پرولوگ
معايب : مبهم – مدل فيزيكي ضعيف – عدم قطعيت را نمايش نمي دهد .
روش شبكه هاي معنايي:
مزايا : روش نمايش مبتني بر شئ است بنابراين وراثت مجاز است.
معايب :نمي توانيم دو كلاس از يك شئ را متمايز كنيم و تشخيص دهيم بر خلاف قابها نمايش دانش رويه اي ميسر نمي باشد .نمايش ساختار دانش براي سيستم ها پيچيده غيرممكن است .
روش قاب ها :
مزايا: نمايش مبتني بر شئ استفاده محدود را آسان مي كند . قاب امكانات لازم براي مديريت استثنا ها و رويه ها را عرضه مي كندكه اين ويژگي ها در نمايش منطق و ساير روش هاي نمايش به سادگي محقق نمي شود .
معايب : مشكلات تئوري ناشي از اسلات هايي كه بايد در يك قاب تعريف شوند كه اين امر مسئله اي غير قابل اجتناب مي باشد .به اين معنا كه هيچ چيزي بطور كامل مشخص نيست و نمي توان براي شئ تعريف كلي ارائه نمود.


مهندسي دانش :
مهندس دانش براي يك سيستم مبتني بر دانش همانند تحليل سيستم هاي رايج است . يك مهندس دانش شخصي است كه مسئول مهندس دانش است . اين شخص مسئوليت مهيا ساختن دانش رابراي يك سيستم خبره دارا مي باشد. اين ويژگي نياز به داشتن توانايي اخذ دانش از متخصصين توسط مصاحبه و روش ها ديگر است .
مهارت هاي مورد نياز براي مهندس دانش :
1- توانايي شناسايي دقيق و كامل دانش ، بايد در مورد صحت دانش ، بررسي صورت گيرد.
2- توانايي ارائه و پردازش دانش به اين منظور كه تسليم بعضي ابزارهاي خاص ساخت سيستم خبره نشود.
3- توانايي طراحي يك سيستم خبره براي نگهداري دانش
4- توانايي طراحي يك سيستم خبره به نحوي كه بتواند با سيستم هاي قراردادي رايج هماهنگي و تطابق داشته باشد .

اكتساب دانش و اخذ دانش:
منظور از اكتساب دانش شامل تمام مراحلي است كه طي آن دانش به فرم قابل استفاده در يك سيستم خبره تبديل مي گردد ولی اخذدانش شامل مراحلی است که دانش درقلمروخود،توسط متخصص بدست می آید . اولين وظيفه مهندس دانش آشنايي با محدوده كاربردي مورد نظر بوسيله درك مفاهيم پايه اي فرضيه ها مي باشد . اين اطلاعات ا غلب در كتاب ها ، مراجع مستندات و امثال آن يافت مي شوند .
- مصاحبه : مصاحبه اولين مرحله كسب دانش توسط انسان است يك مصاحبه موفق شامل طرح ، آماده سازي ، ثبت وايجاد مستندات مي باشد . اين مراحل براي كليه مصاحبه ها از جمله مصاحبه با متقاضيان كار صادق است .ايجاد طرح و آماده سازي ،عناصر مهمي براي مصاحبه به منظور اخذ دانش هستند.كيفيت يك سيستم خبره به تنهايي مي تواند از طريق دانش جمع آوري شده درآن مشخص گردد.اگر متخصص به خوبي آمادگي نداشته باشد ممكن است پاسخ هاي نادرستي به سوالات بدهد.از طرف ديگرممكن است سوالاتي كه براي مصاحبه مطرح مي شوند اشكالاتي داشته باشند . مرحله آماده سازي در مصاحبه ،در رابطه با مسائل زير صحبت مي كند .
1- توضيح در مورد اهداف و روند مصاحبه كه به منظور آماده نمودن متخصص مي باشد بطوريكه از نظر فكري براي مصاحبه آماده شود.
2- چه عاملي برپيشرفت كار اثرگذار است ؟
3- تجهيزات خاص كه استفاده مي شود .
4- شرايط محيطي كه مصاحبه در آن انجام مي شود .

تكنيك هاي مصاحبه :
بعد از آماده شدن شرايط مصاحبه مرحله بعدي انجام مصاحبه بصورت موفقيت آميز مي باشد .تكنيك هاي مصاحبه مستقيم شامل سه گروه عمده ذيل مي باشد:
- مصاحبه جهت دهنده
- مصاحبه ساخت يافته
- مصاحبه متفكرانه
مصاحبه جهت دهنده : اولين بخش مصاحبه چهت دهي يا گرايش متمركز بر روي مصاحبه مي باشد.هدف از اين نوع مصاحبه بدست آوردن يك ديد كلي در محدوده كاربردي مورد نظر است .اين تكنيك براي كسب دانش عمومي محدوده مورد مطالعه بكار مي رود.در استفاده از اين تكنيك مهندس دانش ممكن است چند سوال كلي كه باعث جهت دهی به مصاحبه شود را مطرح نمايد. مانند :
وظيفه اصلي شما چيست ؟
مشكل اصلي شما چيست ؟
مصاحبه ساخت يافته : اين نوع مصاحبه اساسا بعنوان مرحله دوم مصاحبه و با هدف تعميق بيشتر در گفتگو و دستيابي به جزئيات بيشتر صورت مي گيرد. بهمين دليل گفتگو در اين نوع مصاحبه بيشتر از يك پروسه دو مرحله اي مي باشد . چرا كه متخصص به سوالاتي كه مهندس دانش مي پرسد پاسخ داده و بطور ايده آلي مصاحبه كننده به متخصص اجازه مي دهد كه پيرامون پرسش مطرح شده صحبت كند و او را از انحراف از مبحث اصلي باز مي دارد.
مصاحبه متفكرانه : مصاحبه هاي ساخت يافته بعضا نمي توانند تمام مطالبي را كه در حوزه علمي مربوطه لازم است، در حوزه بگنجاند. مصاحبه بصورت گفتگوي متفكرانه همانطور كه از نامش پيداست متخصص را تشويق مي كند به اينكه در هنگام فكر كردن صحبت نمايد .روش مصاحبه متفكرانه بعد از مصاحبه ساخت يافته انجام مي شود .بنابراين استراتژي حل مسئله توسط خبره و دانشي كه در مصاحبه قبلي بدست آمده مي تواند مورد ارزيابي قرار گيرد .
خلاصه اي از تكنيك هاي مصاحبه:
مصاحبه جهت دهنده :
هدف و كاربرد :براي اخذ دانش در يك حوزه در مراحل اوليه اخذ دانش كاربرد دارد.
مشكلات ممكن :1- متخصص براي جمع آوري اطلاعات مشكل دارد.
2- متخصص كلمات تخصصي و غير قابل فهم را بهنگام مصاحبه بكار مي برد.
راه حل هاي ممكن: بايد ديد ديگري به دامنه گفتگو بخشيد.ممكن است متخصص احساس راحتي نداشته باشد.بايد تمهيدات لازم را قبلا براي مصاحبه فراهم نمود.
مصاحبه ساخت يافته:
هدف و كاربرد: براي كسب جزئيات بيشتر وعميق تر بكار مي رود.مصاحبه كننده ممكن است توضيحات دقيق تر از مباحثي كه در مصاحبه جهت دهنده، مطرح شده لازم داشته باشد.مصاحبه هاي ساختاري در فاز دوم صورت مي گيرد.
مشكلات ممكن : 1- دانش غلط يا ناقص
2- دانش غيرقطعي
راه حل هاي ممكن: لازم است مصاحبه كننده سوالات بيشتري از متخصص بپرسد.
مصاحبه متفكرانه:
هدف و كاربرد :براي تاييد دانش و فرضياتي است كه در مراحل قبلي بدست آمده و در گام سوم مصاحبه بكار مي رود.
مشكلات ممكن : 1- شبيه سازي عملكرد متخصص بعنوان يك روش مفيد مشكل مي باشد.
2- روش مصاحبه متفكرانه مي تواند برنحوه كار متخصص تاثير بگذارد.
راه حل هاي ممكن : متخصص ممكن است احساس نا راحتي كند ، مصاحبه را به طريق ديگري اصلاح كنيد.
- مشاهده:
يكی ازعمده ترين مشكلاتي كه براي مصاحبه پيش مي آيد در خواست وقت از متخصص مي باشد. اين مشكل براي روش مشاهده مطرح نيست .چون مشاهده متخصص در حين انجام كار هيچ وقت اضافي را نمي طلبد.با مشاهده يك متخصص هنگام كاريك مهندس دانش مي تواند به وضوح كاربرد آن دانش را هم ببيند.مشاهده همچنين مي تواند با بخش هاي قبلي ( مصاحبه) تركيب شود تا مهندس دانش قادر شود فرضيات دامنه موجود را تحقيق بخشد يا اصلاح نمايد.
از معايب روش مشاهده اين است كه اين روش وقت گير مي باشد و ممكن است موارد محدودي از مصاحبه را پوشش دهد.همچنين يك متخصص هنگامي كه بداند ديگران برعملكرد او نظارت دارند ممكن است احساس نا راحتي و يا حتي خجالت نمايد و بنابراين غير طبيعي رفتار كند تكنيك هاي مشاهده موفق نياز به تحليل دقيق محيط عملياتي دارندو به اين دليل مهندس دانش بايد اين بخش راتا حد امكان محرمانه انجام دهد .

مشكلات اكتساب دانش:
1- مهندس دانش براي دريافت قوانين از متخصص مشكل دارد.
2- روابط بين آنها مستلزم صرف وقت است.
3- متخصص حوزه مربوطه، وقت كافي براي اين پروژه ندارد.
4- قوانين ارائه شده توسط متخصص كوتاه وساده بوده و در موارد پيچيده دقت ندارد.
5- متخصص با كامپيوترآشنا نيست و قواعد سيستم خبره را نمي داند.
6- ازتعداد زيادي متخصص استفاده شده است ومهندس دانش زمان كافي براي بررسي عمق مطالب آن ها را ندارد.


فصل چهارم استنتاج


 مقدمه
 عملکرد موتوراستنتاج
 زنجيره استدلال روبه جلو وروبه عقب
 استراتژي هاي استنتاج
 استدلال مبتني برمورد (CBR)


مقدمه
اجزا اصلی یک سیستم خبره ، موتور استنتاج ، پایگاه دانش و واسط کاربر می باشند که تمامی این اجزاء مفهوم واقعی ارتباط با یک سیستم خبره را ایجاد می کنند. این فصل جزئیات استنتاج را مورد بررسی قرار داده ، مکانیزم های استنتاج را که در ساختار یک سیستم خبره مورد استفاده قرار می گیرند مورد بحث قرار می دهد . استنتاج مبحث مهمی است زیرا شامل تکنیک هایی است که سیستم خبره توسط آن ها مسائل را حل می کند . واژه استنتاج در فرهنگ لغت به این صورت تعریف شده است ." رسیدن به دانش به وسیله استدلال".
در سیستم های مبتنی برقانون این استدلال بر اساس نتیجه گیری از مقدمات و فرضیات صورت می گیرد . این امر به وسیله موتور استنتاج قابل تحقق می باشد که در این فصل به تفصیل به آن پرداخته می شود.
عملکرد موتور استنتاج
در سیستم مبتنی بر قانون ، موتور استنتاج به این صورت کار می کند که یک قانون را برای تست انتخاب می کند و بررسی می کند که آیا شرایط این قانون صحیح هستندیا خیر.این شرایط ممکن است از طریق سوال از کاربر بررسی شود و یا ممکن است از واقعیت هایی ناشی شود که در طول مصاحبه به دست آمده اند . وقتی شرایط مربوط به یک قانون صحیح با شند آنگاه نتیجه آن قانون نیز درست خواهد بود . پس این قانون فعال شده و نتیجه آن به پایگاه دانش افزوده می شود .همچنین ممکن است این نتیجه به عنوان اطلاعات در واسط کاربر نمایش داده شود. برای مثال قوانین زیر را که مربوط به یک سیستم خبره مشاور در مورد گیاهان خانگی است در نظر بگیرید :
قانون1 : اگر اتاق سرد باشد و نور اتاق کم باشد آنگاه بهترین گیاه پیچک می باشد .
قانون 2: اگر دما کمتر از 55 باشد آنگاه اتاق سرد است .
اگر موتور استنتاج سعی در اثبات قانون 1 داشته باشد آنگاه مقادیری را که در شرایط این قانون آورده شده است احتیاج دارد که این شرایط عبارتند از: " اتاق سرد است" و " نور کم باشد" شرط" اتاق سرد است" با اثبات قانون دوم به دست می آید برا ی اینکه این شرط یک نتیجه از قانون دوم می باشد و بنابراین به وسیله اثبات این قانون حاصل می شود. به این معنی که شرایط برای قانون دوم یعنی " دمای کمتر از 55 درجه " باید درست باشد . شرط " نور کم است " باید از کاربر پرسیده شود چرا که نتیجه قانون دیگری نیست و بنابراین ارزش آن فقط با پرسش از کاربر حاصل می گردد .

زنجيره استدلال روبه جلو وروبه عقب :
رشته اي ازاستنتاجات مختلف كه يك مسئله را به راه حل آن مرتبط مي سازد، يك زنجيره ناميده مي شود.زنجيرهاي كه از مسئله شروع شده و به راه حل مسئله ختم مي شود زنجيره رو به جلو نام دارد.زنجيره رو به جلو را به اين صورت نيز مي توان توصيف كرد: زنجيره اي از استدلالات، كه از واقعيت شروع مي شود تا به نتايجي برسد، كه از واقعيت ناشي شده اند. زنجيره اي كه از فرضيات شروع مي كند و به عقب بر مي گردد تا به واقعياتي برسد، كه فرضيات را پشتيباني مي كند، يك زنحيره رو به عقب است. بعبارت ديگر در يك زنجيره رو به عقب يك هدف اصلي با ارضا شدن اهداف فرعي خود ، ارضا مي شود.همان طور كه مي بينيداصطلاحاتي كه براي شرح زنجيره استدلال رو به جلو و رو به عقب بكار مي رود بستگي به مسئله مورد بحث دارند.يك زنجيره را به راحتي مي توان بر اساس نوع استنتاج توصيف كرد.در زنجيره رو به عقب فرآيند بطور معكوس انجام مي گيرد. در زنجيره استدلال رو به عقب ، مسئله اصلي يافتن زنجيره اي است كه شواهد را به فرضيه مرتبط كند. در زنجيره استدلالي رو به عقب واقعيت يك شاهد است و آن براي پشتيباني از فرضيه استفاده مي شود ، درست همان طور كه در دادگاه از شواهد براي اثبات جرم متهم استفاده مي شود .استدلال رو به جلو ، استدلال از پايين به بالا ناميده مي شود زيرا از شواهد سطح پايين يعني واقعیات شروع به استدلال مي كند تا به نتايج سطح بالا برسدكه مبتني واقعيت هستند. استدلال از پايين به بالا در يك سيستم خبره به برنامه نويسي متداول پايين به بالا شبيه است.واقعيات ،عناصر اوليه سيستمها ي مبتني بر دانش محسوب مي شوند كه قابل تجزيه به عناصر كوچكتر نيستند. معمولا ساختارهاي سطح بالاتر كه از ساختار هاي سطح پايين تر تشكيل مي شوند در بالا قرار مي گيرند.بنابراين اگر از ساختار هاي سطح بالا نظير فرضيه ها شروع به استدلال كنيم تا به واقعيات سطح پايين كه از فرضيه ها پشتيباني ي كنند برسيم ا ستدلال از بالا به پايين يا استدلال رو به عقب خواهيم داشت.
خصوصيات استدلال رو به جلو:
- برنامه ريزي
- از حال به آينده
- از مقدم به تالي
- كار بر اساس داده ها ، استدلال از پايين به بالا
- كار به سمت جلو تا پيداكردن آن راه حل هايي كه از واقعيات ناشي مي شوند
- مناسب جستجوي عرضي
- مقدمها ، مسير جستجو را تعيين مي كنند
- توضيح دادن آسان نيست.
خصوصيات استدلال رو به عقب:
- تشخيص
- از حال به گذشته
- كار براساس اهداف ، استدلال بالا به پايين
- كار به سمت عقب تا پيدا كردن آن واقعياتي كه فرضيات را پشتيباني مي كنند
- مناسب جستجوي عمقي
- تاليها مسير جستجو راتعيين مي كنند
- توضيح دادن آسان است.

استراتژی های استنتاج :
معمولا سه روش استنتاج توسط متخصصین به کار برده می شود :

استنتاج قیاسی :
مثال
(1) راشل یک برنامه نویس است .
(2) همه برنامه نویس ها شاد هستند .
(3) بنابراین راشل شاد است .
نتیجه(3 ) یک نتیجه منطقی و یا قیاسی از قضایای (1) و (2) می باشد در این مثال نتیجه می تواند از اطلاعات داده شده استنباط شود و این یک مثال از استنتاج قیاسی است .
جمله (1) قضیه اصلی و جمله (2) قضیه فرعی نامیده می شود . نتیجه بدست آمده (3) حاصل منطقی (1) و (2) است .
مزیت استنتاج قیاسی این است که این نوع استنتاج از نظر منطق ریاضی کاملا درست است. به این معنی که اگر قضایای پیش فرض درست باشند نتیجه بدست آمده نیز مطمئنا درست است .

استنتاج استقرایی :
جملات یا قضایای زیر را در نظر بگیرید :
(4) مینسکی یک گربه دارد .
(5) بنابراین مینسکی چهار پا دارد .

ابتدا ممکن است تصور کنید که نتیجه (5 ) به وسیله روش قیاسی از پیش فرض (4) بدست آمده است ولی این نتیجه گیری غلط است چون جمله (4 ) چیزی راجع به اینکه یک گربه چهار پا دارد نمی گوید .
افراد به وسیله دانشی که از جهان طبیعی دارند و بر اساس تجربه خود این فرض را ( گربه چهار پا دارد ) می دانند و به نتیجه (5 ) می رسند . بنابراین نتیجه (5 ) از نظر ریاضی دقت و صحت نتیجه (3) را ندارد . برای اینکه نتیجه (5 ) درست باشد باید دانش ناشی از حواس پنج گانه انسان به فرض (4) اضافه شود به این دلیل است که چنین استنتاجی استنتاج استقرایی نامیده می شود. این چنین استنتاجی دقت ریاضی ندارد و همیشه این احتمال وجود دارد که نتایج اشتباه باشند . استنتاج استقرایی در سیستم های خبره عمومیت دارند چرا که با استنتاج های انسان در جهان حقیقی هماهنگی و سنخیت دارد .

دانلود فایل اصلی



==================================================
طراحی وب سایت
پروژه های برنامه نویسی تجاری
دانلود پروژه های ASP.NET وب سایتهای آماده به همراه توضیحات
دانلود پروژه های سی شارپ و پایگاه داده SQL Server همراه توضیحات و مستندات
دانلود پروژه های UML نمودار Usecase نمودار class نمودرا activity نمودار state chart نمودار DFD و . . .
دانلود پروژه های حرفه ای پایگاه داده SQL Server به همراه مستندات و توضیحات
پروژه های حرفه ای پایگاه داده Microsoft access به همراه مستندات و توضیحات
دانلود پروژه های کارآفرینی
دانلود گزارشهای کارآموزی کارورزی تمامی رشته های دانشگاهی
قالب تمپلیت های آماده وب سایت ASP.NET به همراه Master page و دیتابیس
برنامه های ایجاد گالری عکس آنلاین با ASP.NET و JQuery و اسلایدشو به همراه کد و دیتابیس SQL کاملا Open Source واکنشگرا و ساده به همراه پایگاه داده
==================================================
یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در یک پاسخ
01-29-2018, 11:25 AM (آخرین ویرایش در این ارسال: 01-23-2019 03:37 PM، توسط ali.)
ارسال: #2
RE: تصمیم گیری و اکتساب دانش در سیستمهای خبره doc فایل 160 صفحه
استنتاج انتزاعی :
استنتاج انتزاعی از معلول به علت می رسد و از این نظر با استنتاج استقرایی که از علت به معلول می رسد تضاد دارد برای مثال قانون " اگر هوا بارانی باشد آنگاه چمن باغ خیس می شود " را در نظر بگیرید درستی مقدمه درستی نتیجه را در بر دارد . استنتاج انتزاعی بکار رفته برای این قانون درستی را به صورت معکوس در نظر می گیرد . به این صورت که " اگر چمن باغ خیس باشد پس باران باریده است " . این قانون به صورت کلی پذیرفته شده است حتی اگرتضمینی برای درستی آن وجود نداشته باشد .
ممکن است چمن بدلیل آب پاشی و یا دلایل دیگر خیس شده باشد بنابراین استدلال انتزاعی از نظر ریاضی به اندازه استدلال استقرایی هم صحت و دقت ندارد.اگرچه افراد متخصص غا لبااستنتاج انتزاعی رابه کارمی برند . جدول زیر خصوصیات هر یک از استراتژی های استنتاج را به طور خلاصه نشان می دهد .

مشخصات استنتاج استراتژي استنتاج
تنها اطلاعات داده شده را برای حل مسائل به کار می گیرد و فقط به آن نیاز دارد . استدلال ضرورتا از عام به خاص صورت می گیرد . مفهوم ضرورت به این معنا است که اگر فرض درست باشدآنگاه نتیجه درست است . به عبارت دیگر نتیجه صحیح حاصل می شود اگر فرضیات درست باشند قیاسی
جمع آوری دانش در این روش بیشتر به تجربه نیاز دارد .استدلال از خاص به عام می باشد و همیشه این احتمال وجود داردکه نتایج نادرست استنتاج استقرایی باشد . استقراء
استدلال از نتیجه و اثر (معلول ) به علت صورت می گیرد . بنابراین احتمال استنتاج انتزاعی ایجاد نتایج نادرست وجود دارد . انتزاع
استدلال مبتنی بر موارد (استدلال موردی ) :
استدلال مبتنی بر مورد (CBR ) با انتخاب یک مورد از مواردی که قبلا در پایگاه اطلاعات ذخیره شده اند کار می کند به نحوی که این مورد بهترین و بیشترین شباهت را به خصوصیات مسئله جاری تحت بررسی دارا باشد . این روش مشابه روشی است که افراد متخصص هنگام تلاش برای حل مسائل، استدلال می کنند .
CBRروشی ازاستنتاج است که اساسا با دیگر روش های استنتاج متفاوت است .
CBRبه جای تکیه بر دانش عمومی قلمرو یک مسئله، با ارتباط بین فرضیات مسئله و نتایج آن قادر است تا دانش مخصوص به تجربه های قبلی را به جای وضعیت ها و حالات مسئله اصلی به کار برده و مسائل را به هم پیوند دهد . این مسائل اصطلاحا موارد نامیده می شوند.
یک مسئله جدید با پیدا کردن یک مورد مشابه قبلی و استفاده مجدد آن به جای وضعیت جدید حل می شود . در صورت لزوم ممکن است موردی هم باشد که برای راه حل ها مستقیما به کار رود و یا برای تغییر شکل مشکلات مسئله جدید استفاده شود . یک مورد (CASE) توضیحی از یک مسئله به همراه جزئیات عملکردش می باشد که پاسخی به حل مشکلات خواهد بود . به طور کلی حل یک مسئله با استفاده از CBR مراحل زیر را شامل می شود :
1- ثبت جزئیات مسئله فعلی .
2- تطبیق این جزئیات باموارد ذخیره شده به منظوریافتن وضعیت های مشابه .
3- انتخاب موارد (CASES) ذخیره شده ای که با مسئله جاری بیشتر ارتباط دارند .
4- سازگار کردن راه حل ذخیره شده با مسئله جاری .
5- ارزش دهی به راه حل جدید و ذخیره جزئیات مورد (CASE) جدید.
این مراحل حل مسئله برگرفته از چرخه یک نوع سیستم CBR که در شکل زیر نشان داده شده است می باشند.
چهار مرحله کلی که در شکل زیر نشان داده شده است به عنوان چهار R معروف می باشند که عبارتند از :
1- بازیابی موارد مشابه به منظور بررسی .
2- استفاده مجدد از اطلاعات و دانش در آن مورد برای حل مسئله .
3- تجدید نظر راه حل پیشنهادی .
4- نگهداری بخش هایی ازاین تجربه که احتمالا برای حل مسائل آینده به کار برده می شوند .

مسئلــــــــــــــــــــــــــــــــــة
راه حل قطعی
یک مسئله جدید درCBR بابازیابی یک یاچند مورد از قبل ذخیره شده ،استفاده مجدد ازمورد مساله تحت بررسی، تجدید نظردرراه حلی که براساس این مورد بنا شده است و نگهداری مورد جدید با الحاق آن به دانش ذخیره شده حل می شود .
زمانی که یک مورد بازیابی می شود سیستم CBR ، از راه حل های پیشنهادی بر اساس مورد بازیابی شده استفاده می کند . در بعضی موارد این راه حل کافی نخواهد بود در چنین مواردی سیستم CBR باید با استفاده از راه حل ذخیره شده در مورد بازیابی شده نیازهای مورد جاری را بر آورده سازد .

فصل پنجم استفاده ازاحتمالات ومنطق فازی درسیستمهای خبره

 مقدمه
 اساس احتمالات
 احتمال بیزین
 مفاهیم فازی
 جدول عضویت فازی

مقدمه
تكنيكهاي احتمالات كه براساس پيش بيني اتفاقات آينده به دليل شواهد و مدارك اتفاقات گذشته بنا نهاده شده باشند ، توسط فردي به نام « بيز »‌ ايجاد شد . ناحيه احتمالاتي كه اين تئوريها در آن قرار مي گيرند به نام «‌احتمال شرطي »‌ نام گذاري شده است . تصميمات آماري مبتني بر تئوريهاي بيز به طور وسيعي در سيستمهاي خبره مورد استفاده قرار مي گيرند . در اين جا به طور ساده به تشريح چگونگي استفاده از اين تئوري مي پردازيم .
ابتدا جنبه ديگر تئوري احتمالات را در نظر بگيريد . اين كه بتوان يك حادثه را با قواعدي كه به طور مطلق تعريف مي شوند ، تشريح نمود . ولي اينكار هميشه امكان پذير نيست . به عنوان مثال مي توان گفت كه اگر درجه حرارت شخصي بيشتر از 99 درجه فارنهايت ( 37 درجه سانتي گراد ) و كمتر از 101 درجه فارنهايت ( حدود 38 درجه سانتي گراد ) باشد ، آن شخص كمي مريض است . و اگر تب بيشتر از 38 درجه سانتي گراد گردد ، بيماري جدي است . انسانها هميشه نمي توانند جوابهاي دقيق را ارائه دهند . اگر كسي بگويد كه هواي بيرون ملايم است ، آيا شما مي توانيد درجه حرارت واقعي آن را بگوييد ؟ احتمالاً نه . واژه هايي مثل بلند ، گرم و ملايم متغيرهاي زباني هستند كه نمي توان آنها را با مقادير خاصي تعريف كرد . استفاده از اين واژه ها در فرموله كردن سيستمها « منطق فازي »‌ نام دارد .
اساس احتمالات
احتمال ، مطالعه درجه اتفاقي بودن يك حادثه مي باشد . انسان عموماً حدسهاي مختلفي مي زند و نتيجه اي را حتي بدون آن كه واقعاً كاري انجام دهد ، برحسب احتمالات بيان مي كند .
احتمال به صورت زير تعريف مي گردد :

تعداد كل راههايي كه يك حادثه خاص مي تواند اتفاق بيفتد
تعداد كل راههايي كه هر حادثه مي تواند اتفاق بيفتد

براي مثال فرض كنيد كه يك سكه را دوباره به هوا پرتاب مي كنيم . جدول زير ليست كليه حالتهاي دوبار پرتاب سكه به هوا را نشان مي دهد .
پرتاب دوم پرتاب اول
شير شيرـ 1
خط شيرـ 2
شير خط ـ 3
خط خط ـ 4
احتمال آن كه يك خط در يكي از دو پرتابها ظاهر گردد عبارت است از :

تعداد كل راههايي كه يك خط در دو پرتاب مي تواند اتفاق بيفتد
تعداد كل پرتابهاي متفاوتي كه مي تواند اتفاق بيفتد
به اين معني كه يك خط در حالتهاي دوم ، سوم و چهارم ظاهر مي شود . به عنوان مثالي ديگر ، احتمال اين كه در پرتاب اول ، خط اتفاق بيفتد برابر 4/2 است . اين مورد در حالتهاي 3 و 4 اتفاق افتاده است . احتمال آن كه هيچ وقت خط در دو پرتاب ظاهر نگردد برابر است با ¼ . اين وضعيت در حالت اول جدول ظاهر مي گردد . همان طور كه توجه مي نماييد ، مخرج معادله احتمال هميشه مقداري بزرگتر يا مساوي صورت دارد.

احتمال بيزين
آقاي بيز چند تئوري اساسي در احتمال شرطي ايجاد نمود . احتمال شرطي ، نوعي احتمال است كه بر مبناي وجود شاهد و مدرك بنا گرديده است . براي مثال مجدداً پرتاب سكه را در نظر بگيريد . اما احتمال وقوع خط در پرتاب دوم با توجه به اين كه بدانيم در پرتاب اول شير اتفاق افتاده ، برابر ½ است . اين احتمال به دليل آن است كه مي دانيم در پرتاب اول شير اتفاق افتاده و لذا مجموعه جديدي به صورت زير ايجاد مي گردد :

پرتاب دوم پرتاب اول
شير شير ـ 1
خط شير ـ 2

در اين حالت كليه مواردي كه خط درپرتاب اول اتفاق مي افتد راحذف كرده ايم ، چون داراي شاهد و مدركي هستيم كه در پرتاب اول شير اتفاق افتاده است . بنابراين تنها يك مورد از دو مورد با مقدار خط در پرتاب دوم وجود دارد . اين حالت در انتخاب دوم جدول بالا اتفاق افتاده است . در نتيجه ، احتمال شرطي به دست آوردن خط در پرتاب دوم با علم بر اين كه در پرتاب اول شيرآمده ، عبارت است از : ½ .
P(e،s) = P(s | e) * P(e) فرمول 1:
اين معادله به صورت زير خوانده مي شود : احتمال وقوع e و s ، با اين فرض كه e اول اتفاق افتاده باشد ، برابر است با احتمال وقوع s در صورتي كه بدانيم e قبلاً اتفاق افتاده است ، ضربدر احتمال وقوع e .
مثال :
به عنوان مثالي در جهت استفاده از تئوريهاي احتمالات ، قواعد مربوط به بازار سهام را در نظر بگيريد (‌و فرض كنيد كه اينها تنها قواعد مؤثر در بازار سهام هستند ) .
کد:
10  IF INTEREST RATES = FALL
      THEN STOCK = RISE
20  IF INTEREST RATES = FALL
       THEN STOCK = FALL
30  IF DOLLAR = FALL
       THEN INTEREST RATES = RISE
40  IF DOLLAR = RISE
      THEN INTEREST RATES = FALL
در اين مثال مايليم احتمال بالا رفتن بازار سهام را بدانيم . البته مي دانيم كه وضعيت بسيار پيچيده است ، اما مي خواهيم روش رسيدن به راه حل را به صورت ساده اي نمايش دهيم . سيستم تسلسل پس رونده ، قواعدي را كه در بخش THEN آن STOCK = RISE باشد ، مورد بررسي قرار خواهد داد . اينحالت تنها در قاعده 10 ، اتفاق افتاده است . قاعده 10 بيان مي كند كه در شرايطي كه INTEREST RATES = FALL باشد ، آنگاه STOCK = RISE مي گردد . اين شرايط را مي توان با استفاده از معادله احتمالات ، يعني معادله 1 ، با جايگزيني STOCK = RISE در قسمت s و INTEREST = FALL در قسمت e بررسي كرد . با اين كار به معادله شماره (2) به صورت زير مي رسيم :
کد:
P (STOCK = RISE) = P (STOCK = RISE | INTEREST = FALL) (2)
* P (INTEREST = FALL) + P (STOCK = RISE | INTEREST = NOT FALL) * (INTEREST = NOT FALL)
براي اين كه INTEREST = FALL باشد ،‌ بايد با استفاده از تسلسل پس رونده به قاعده 40 برگرديم كه داريم :
کد:
40 IF DOLLAR = RISE
     THEN INT = FALL
اين عبارت به صورت احتمالي زير در معادله (3) نوشته مي شود :
کد:
P (INT = FALL) = P (INT = FALL | DOLLAR = RISE) * (3)
P (DOLLAR = RISE) + P (INT = FALL | FOLLAR = NOT RISE) * P (DOLLAR = NOT RISE)
چون دلار در هيچيك از بخشهاي THEN قواعد وجود ندارد ، بنابراين مقدار آن نمي تواند به وسيله قاعده خاصي تعيين شود ، و احتمال آن بايد مستقيماً از طرف كاربر ارائه شود .
همين طور احتمالات شرطي نيز در بخش THEN قواعد قرار داده نمي شوند و بنابراين احتمالات شرطي نيز بايد از طرف كاربر مشخص شوند . اجازه دهيد عددهايي را به اين احتمالات تخصيص دهيم تا چگونگي عملكرد اين موارد را بررسي كنيم . احتمالات مفروض را بر اساس درك خود از مسئله ، كه حدس مبتني بر آموزش مي باشد ، به صورت زير فرض مي كنيم :
کد:
P (COLLAR = RISE) = 0/6
در تئوري اساسي احتمالات ، مجموع احتمال يك واقعه و احتمال عدم وقوع آن برابر 1 است . به اين موضوع به عنوان يك اصل در قاعده احتمالات اشاره مي كنيم . بنابراين خواهيم داشت :
کد:
P ( DOLLAR = NOT RISE) = 1 – P (DOLLAR = RISE) = 1- 0/6 = 0/4
كاربر، هر يك از احتمالات شرطي را به صورت زير تخمين مي زند :
کد:
P (INT = FALL | DOLLAR = RISE) = 0/8
P (INT = FALL | DOLLAR = NOT RISE) = 0/1
بايد توجه كنيم كه احتمالات شرطي مبتني بر شرايط مستند متفاوت ، نبايد به 1 اضافه شود . دو شرط مستند متفاوت در بالا عبارتند از :
کد:
DOLLAR = NOT RISE  ،  DOLLAR = RISE
با جايگزيني اين مقادير در معادله احتمالات شرطي ، يعني معادله (3) خواهيم داشت : P (INT = FALL) = 52/0 = 4/0 * 1/0 + 6/0 * 8/0
براي حل مسئله P (STOCK = RISE) ، كاربر بايد احتمالات شرطي لازم را تهيه كند كه عبارتند از :
کد:
P (STOCK = RISE | INT = FALL) = 85/0
P (STOCK = RISE | INT = NOT FALL) = 1/0
اكنون مي توانيم با استفاده از معادله (2) ، احتمال P (STOCK = RISE) را محاسبه كنيم :
P (STOCK = RISE)= %49 يا 49/0 = 48/0 * 1/0 + 52/0 * 85/0
حال كاربر مي تواند براساس اين احتمال تصميم لازم را بگيرد . نكته جالب در اين مثال اين است كه شانس اين كه بازار سهام بالا برود ، كمتر از 50 درصد
است . اگر كاربر احتمال شرطي بالا رفتن بازار سهام را وقتي نرخ بهره پايين نيايد ، افزايش دهد يعني :
کد:
P (STOCK = RISE | INT = NOT FALL)
احتمال P (STOCK = RISE) بالاتر خواهد بود .

مفاهيم فازي
تا اينجا در مورد واژه هايي مثل “rise” و “fall” صحبت كرديم . علاوه بر آن بعضي از اين واژه ها را با بيش از يك متغير استفاده كرديم . براي مثال واژه “rise” را با متغيرهاي STOCK وDOLLAR بكاربرديم . اما وقتي كه اين واژه با متغير STOCK استفاده شود ، كلمه “rise” مي تواند بين 10 تا 30 در متوسط دو – جونز باشد . اما وقتي كلمه “rise” با متغير DOLLAR استفاده شود مي تواند به اين معني باشد كه دلار بين 20 و 30 ين ژاپن افزايش مي يابد .
اين نوع استفاده از كلمه “rise” متغير زباني نام دارد . اين متغير ، متغيري است كه نه تنها هر مقدار در آن محدوده را مي تواند در برگيرد ، بلكه محدوده آن نيز براي شرايط مختلف تغييرمي كند . براي مثال اگراز كلمه “COLD” استفاده كنيم ، اين كلمه در زمستان محدوده خاصي داشته و در بهار محدوده ديگري را شامل مي گردد .
متغير زباني ديگري كه در قواعد بالا استفاده كرديم ، كلمه “fall” است . چون معمولاً ، تعداد مقادير احتمالي كه بايد از كاربر يك سيستم خبره سؤال شود ، زياد است ،‌ لذا در اين جا چگونگي استفاده از متغيرهاي زباني براي همان منظور را نشان خواهيم داد . براي انجام اين كار بايد متغيرهاي زباني خود را كمي بيشتر معين كنيم . بايد به كاربر سيستم خبره خود اجازه دهيم تا اين متغيرها را با پيشوندهايي مثل كم يا متوسط محدود نمايد . به اين معني كه كاربر بتواند مثلاً « افزايش كم »‌ رانيز براي دلار تعيين نمايد و ما نيز دقيقاً بدانيم كه منظورش چيست .




دانلود فایل اصلی




==================================================
طراحی وب سایت
پروژه های برنامه نویسی تجاری
دانلود پروژه های ASP.NET وب سایتهای آماده به همراه توضیحات
دانلود پروژه های سی شارپ و پایگاه داده SQL Server همراه توضیحات و مستندات
دانلود پروژه های UML نمودار Usecase نمودار class نمودرا activity نمودار state chart نمودار DFD و . . .
دانلود پروژه های حرفه ای پایگاه داده SQL Server به همراه مستندات و توضیحات
پروژه های حرفه ای پایگاه داده Microsoft access به همراه مستندات و توضیحات
دانلود پروژه های کارآفرینی
دانلود گزارشهای کارآموزی کارورزی تمامی رشته های دانشگاهی
قالب تمپلیت های آماده وب سایت ASP.NET به همراه Master page و دیتابیس
برنامه های ایجاد گالری عکس آنلاین با ASP.NET و JQuery و اسلایدشو به همراه کد و دیتابیس SQL کاملا Open Source واکنشگرا و ساده به همراه پایگاه داده
==================================================
یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در یک پاسخ
ارسال پاسخ 


پرش به انجمن:


کاربرانِ درحال بازدید از این موضوع: 1 مهمان