چارچوبی تطبیقی و چندلایه مبتنی بر محاسبات نرم با قابلیت انتشار صریح عدم قطعیت برای تحلیل داده های پیچیده و جریانی

رشد نمایی داده های جریانی از حسگرهای IoT، تراکنش های مالی و شبکه های اجتماعی چالش های منحصربه فردی در مدیریت عدم قطعیت و تغییر مفهوم (Concept Drift) ایجاد کرده است. این پژوهش یک چارچوب پنج لایه یکپارچه مبتنی بر محاسبات نرم با قابلیت انتشار صریح عدم قطعیت ارائه می دهد. معماری پیشنهادی شامل لایه های پیش پردازش تطبیقی با فیلتر کالمن فازی، استخراج ویژگی پویا با پنجره های چندمقیاسی، سیستم نوروفازی تطبیقی با تکامل پویای قوانین، مدل سازی و انتشار عدم قطعیت و تصمیم گیری تفسیرپذیر است. نوآوری اصلی معرفی حافظه عدم قطعیت تطبیقی (AUM) است که سابقه عدم قطعیت های گذشته را در تصمیم گیری لحاظ می کند و سیستم را قادر به مدیریت ریسک هوشمند می سازد. الگوریتم تشخیص تغییر مفهوم چهارسطحی (آماری، عملکرد، عدم قطعیت، ساختاری) سازگاری خودکار با انواع تغییرات را تضمین می کند. ارزیابی بر روی مجموعه داده های استاندارد (SEA Concepts ELEC,) نشان می دهد چارچوب پیشنهادی با دقت تطبیقی %۹۱.۷، کاهش %۶۰-۷۵ نوسان عملکرد، اعتبار اطمینان %۹۴.۵ و زمان پردازش ۱۸.۵ میلی ثانیه، عملکرد برتری نسبت به ARF و HT دارد.

کلیدواژه ها:

داده های جریانی ، محاسبات نرم ، انتشار صریح عدم قطعیت ، Concept Drift ، شبکه نوروفازی تطبیقی