کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
378267 | 659010 | 2014 | 14 صفحه PDF | دانلود رایگان |
1- مقدمه
2- یادگیری وزن توسط شبکه عصبی
شکل 1. یک مدل شبکه عصبی
شکل 2. شبکه عصبی به صورت یک نمودار AND/ OR
3- نمودار AND / OR برای استخراج ویژگی
شکل 3. سیستم CBR هیبریدی
جدول 1. شاخص بندی ویژگیها بر اساس بازه های آنها
4- استانداردسازی وزن ها
جدول 2. وزن های ویژگی های مختلف به دست آمده توسط مکانیزمهای مختلف برای پایگاه داده آنفولانزای خوکی
جدول 3. دقت ها در درصد پایگاه داده آنفولانزای خوکی برای k های مختلف با مکانیزم های مختلف.
5- CBR هیبریدی
مرحله 1: بازنمایی مورد
مرحله 2: انتخاب / بازیابی مورد k-NN
مرحله 3: استفاده مجدد و بازبینی مورد
جدول 4. وزن های ویژگیهای مختلف به دست آمده توسط مکانیزم های مختلف برای پایگاه داده یونوسفر.
مرحله 4: حفظ
جدول 5. دقت ها در درصد پایگاه داده یونوسفر برای k مختلف با مکانیزمهای مختلف.
6- کاربرد CBR هیبرید
7 -پیش بینی آنفولانزای خوکی
شکل 4. مقایسه دقت ها در پایگاه داده آنفولانزای خوکی
جدول 6. وزن ویژگی های مختلف به دست آمده توسط مکانیزم های مختلف برای پایگاه داده سونار.
8- دسته بندی بازگشت های رادار (پایگاه داده یونوسفر)
شکل 5. مقایسه دقت ها در پایگاه داده یونوسفر.
9- دسته بندی سیگنال سونار
جدول 7. دقت ها در درصد پایگاه داده سونار برای k های مختلف با مکانیزم های مختلف.
شکل 6. مقایسه دقت ها در پایگاه داده سونار.
10- پیش بینی بیماری قلبی
جدول 8. وزن های ویژگی های مختلف به دست آمده توسط مکانیزم های مختلف برای پایگاه داده قلب.
جدول 9. دقت ها در درصد پایگاه داده قلب برای k های مختلف با مکانیزم های مختلف.
شکل 7. مقایسه دقت ها در پایگاه داده قلب
11- بحث
12- نتیجه گیری
Case Based Reasoning (CBR) is an analogical reasoning method, which solves problems by relating some previously solved problems to a current unsolved problem to draw analogical inferences for problem solving. But CBR faces the challenge of assigning weights to the features to measure similarity between a current unsolved case and cases stored in the case base effectively and correctly. The concept of neural network’s pruning is already used to sort out feature weighting problem in CBR. But it loses generality and actual elicited knowledge in the ANN’s links. This work proposes a method to extract symbolic weights from a trained neural network by observing the whole trained neural network as an AND/OR graph and then finds solution for each node that becomes the weight of a corresponding node. The proposed feature weighting mechanism is used in CBR to build a hybrid expert system for classification task and the performance of the proposed hybrid system is compared with that with other feature weighting mechanisms. The performance is validated on swine flu dataset and ionosphere, sonar and heart datasets collected from UCI repository. From the empirical results it is observed that in all the experiments the proposed feature weighting mechanism outperforms most of the earlier weighting mechanisms extracted from trained neural network.
Journal: Biologically Inspired Cognitive Architectures - Volume 9, July 2014, Pages 57–70