کاوش فازی قوانین وابستگی روی داده های کمی در ساختار چند سطحی با استفاده از توابع عضویت پویا

سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,273

متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSICC15_258

تاریخ نمایه سازی: 26 مهر 1388

چکیده مقاله:

عموما از داده کاوری برای کشف قوانین وابستگی از داده های تراکنشی به کار می رود مطالعات پیشین برروی داده های تراکنشی با مقادیر باینری تمرکز دارند. در کاربردهای واقعی آیتمهای مختلف معیارهای متفاوتی برای قضاوت مهم بودنشان دارند. در این مقاله یک الگوریتم کاوش فازی با ساختار چند سطحی برای استخراج دانش پنهان در داده های کمی ارائه شده است الگوریتم ارائه شده یک روش بالا به پایین عمقی را برای پیدا کردن مجموعه آیتمهای بزرگ اتخاذ می کند. ما با جامعیت بخشیدن به مفاهیم مجموعه فازی تکنیک های داده کاوی و طبقه بندی چندسطحی ، قوانین وابستگی فازی را در مجموعه داده های تراکنشی می یابیم توابع عضویت برای تبدیل مقادیر داده های کمی به مقادیر فازی مورد استفاده قرار می گیرد که این توابع عضویت با استفاده از یک پیش پردازش برروی داده ها براساس سیستم کلونی مورچه ها بدست می آید. این الگوریتم برروی متغیرهای زبانی مهم برای کاهش پیچیدگی زمانی تمرکز دارد.

نویسندگان

احسان وجدانی محمودی

باشگاه پژوهشگران جوان، دانشگاه آزاد اسلامی واحد مشهد

بهاره احمدی مقدم

گروه کامپیوتر دانشگاه آزاد اسلامی واحد مشهد

محمدحسین یغمایی مقدم

گروه کامپیوتر دانشگاه آزاد اسلامی واحد مشهد

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 :
  • R.S. Michalski, I. Bratko, and M. Kubat, Machine Learning and ...
  • R. Agrawal, T. Imielinksi, and A. Swami, "Mining ...
  • associations between sets of items in massive databases, " in ...
  • Agrawal, R., & Srikant, R. Fast algorithm for mining association ...
  • Kandel, A. Fuzzy expert systems. Boca Raton: CRC Press, pp. ...
  • international conference O1 knowl edge-based intelligent information and engineering systems ...
  • Hong, T. P., & Chen, J. B. Processing individual fuzzy ...
  • Wang, C. H., Hong, T. P., & Tseng, S. S.). ...
  • international conference _ fuzzy systems (pp. 13-18), New Orleans. 1996. ...
  • Rives, J. FID3: fuzzy induction decision tree. In The first ...
  • Yuan, Y., & Shaw, M. J. Induction of fuzzy decision ...
  • Han, J., & Fu, Y. Discovery of multiple-level association rules ...
  • Srikant, R., & Agrawal, R. Mining generalized association rules. In ...
  • Hong, T. P., & LN, K. Y., & CHIEN B. ...
  • Ant Colony An"ه [12] R .S .Parpinelli, H.S .Lopes, A ...
  • J .C .Cordon, F .Herrera, "Learning Fuzzy Rules Using Ant ...
  • T .P .Hong, Y.F .Tung, _ .Wang, M.T .Wu, Y.L ...
  • نمایش کامل مراجع