یادگیری مفهوم با استفاده از یادگیری تقویتی بر اساس نظریه شواهد

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,822

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

FJCFIS01_222

تاریخ نمایه سازی: 14 خرداد 1387

چکیده مقاله:

مدلسازی عدم قطعیت در یادگیری مفاهیم، به دلیل پیچیدگی مسئله و درگیر بودن عامل یادگیر با محدودیتهای محیطهای واقعی امری ضروری مینماید. در این مقاله نظریه شواهد به عنوان ابزاری قوی و منعطف برای مدلسازی نایقینی برای یادگیری مفهوم مورد توجه قرار میگیرد. توابع اعتماد به عنوان نگاشتی از فضای پیوسته سنسوری عامل به فضای گسسته مفاهیم یا تصمیمها، مدلی شهودی برای استدلال تحت عدم قطعیت در طی فرآیند یادگیری ایجاد میکنند. عامل یادگیر از طریق تعامل با محیط یا مربی، اطلاعات سیگنال تقویت را برای یادگیری این نگاشت شهودی به کار می برد. جزییات یادگیری این توابع اعتماد با استفاده از یادگیری تقویتی ارایه شده و عملکرد روش توسط یک شبیهساز مصنوعی تست میشود.

کلیدواژه ها:

نظریه شواهد دمپستر – شافر ، یادگیری مفهوم

نویسندگان

طاهر شهبازی میرزا حسنلو

قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ

مجید نیلی آبادی

قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ

بابک نجار آبادی

قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • T. Mitchell, Machine Learning. McGraw-Hill, New York, 1997. ...
  • T.R. Zentall, M. Galizio, and T.S. Critchfield, ، _ ategorization, ...
  • R. S. Sutton, and A. G. Barto, Reinfo rcerent Learning: ...
  • G. Rizzolatti, _ mirror-neuron system and imitation, ? In Perspectives ...
  • G. Rizzolatti, and L. Craighero, _ mirror neuron system, * ...
  • G. Rizzolatti, L. Fogassi, and V. Gallese, Neurophys iological mechanisms ...
  • _ E. Kohler, C. Keysers, MA. Umilt a, L. Fogassi, ...
  • MA. Umilt a, E. Kohler, V. Gallese, L. Fogassi, L. ...
  • H. Mobahi, M. Nili and B. N. Araabi. _ biologically ...
  • A. P. Dempster, *Upper and lower probabilities induced by a ...
  • G. Shafer, A rathematical theory of evidence. Princeton University Press, ...
  • J. Kohlas, and P.-A. Monney, A Mathematical Theory of Hints. ...
  • Ph. Smets, and R. Kennes, 0The transferable belief model, ' ...
  • Ph. Smets, *Analyzing the combination of conflicting belief functions, }' ...
  • Ph. Smets, Belief functions: the disjunctive rule of combination and ...
  • S. Amizadeh, and M.Nili Ah madabadi, ،.Interactive rein forcement- based ...
  • T. Denoeux, _ k-nearest neighbor classification rule based On Demp ...
  • T. Denoeux, and Ph. Smets, ،، Cl assification using belief ...
  • L. J. Savage, Foundations of statistics. Wiley, New York, 1954. ...
  • Ph. Smets, ،Decision making in the TBM: the necessity of ...
  • J. Y. Jaffray, and P. Wakker, ، Decision making with ...
  • D. Schmeidler, *Subjective probability and expected utility without additivity, Econometrica ...
  • نمایش کامل مراجع