دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Rafał Scherer (auth.)
سری: Studies in Fuzziness and Soft Computing 288
ISBN (شابک) : 9783642306037, 9783642306044
ناشر: Springer-Verlag Berlin Heidelberg
سال نشر: 2012
تعداد صفحات: 133
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب سیستم های طبقه بندی فازی چندگانه: هوش محاسباتی، تشخیص الگو، شبیه سازی و مدل سازی
در صورت تبدیل فایل کتاب Multiple Fuzzy Classification Systems به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب سیستم های طبقه بندی فازی چندگانه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
طبقهبندیکنندههای فازی ابزارهای مهمی در تحلیل دادههای اکتشافی هستند که مجموعهای حیاتی از روشهای مورد استفاده در کاربردهای مختلف مهندسی، علمی و تجاری است. طبقهبندیکنندههای فازی از قوانین فازی استفاده میکنند و به فرضیات مشترک در طبقهبندی آماری نیاز ندارند. نظریه مجموعه های خشن زمانی مفید است که مجموعه داده ها ناقص باشند. این یک تقریب رسمی از مجموعه های ترد را با ارائه تقریب پایین و بالایی مجموعه اصلی تعریف می کند. سیستمهای مبتنی بر مجموعههای ناهموار توانایی طبیعی کار بر روی چنین دادههایی را دارند و بردارهای ناقص لازم نیست قبل از طبقهبندی پیش پردازش شوند. برای دستیابی به عملکرد بهتر نسبت به سیستمهای یادگیری ماشین موجود، طبقهبندیکنندههای فازی و مجموعههای خشن را میتوان در مجموعهها ترکیب کرد. چنین مجموعههایی شامل مجموعهای محدود از مدلهای یادگیری هستند که معمولاً یادگیرندگان ضعیف هستند.
کتاب حاضر سه زمینه فوق الذکر - سیستم های فازی، مجموعه های خشن و تکنیک های مجموعه را مورد بحث قرار می دهد. از آنجایی که گروه آموزش دیده باید یک فرضیه واحد را نشان دهد، توجه زیادی به امکان ترکیب قوانین فازی از سیستم های فازی که اعضای گروه طبقه بندی هستند، معطوف شده است. علاوه بر این، به لطف تئوری مجموعههای خشن، بر مجموعههایی که میتوانند روی دادههای ناقص کار کنند، تأکید میشود.
.Fuzzy classifiers are important tools in exploratory data analysis, which is a vital set of methods used in various engineering, scientific and business applications. Fuzzy classifiers use fuzzy rules and do not require assumptions common to statistical classification. Rough set theory is useful when data sets are incomplete. It defines a formal approximation of crisp sets by providing the lower and the upper approximation of the original set. Systems based on rough sets have natural ability to work on such data and incomplete vectors do not have to be preprocessed before classification. To achieve better performance than existing machine learning systems, fuzzy classifiers and rough sets can be combined in ensembles. Such ensembles consist of a finite set of learning models, usually weak learners.
The present book discusses the three aforementioned fields – fuzzy systems, rough sets and ensemble techniques. As the trained ensemble should represent a single hypothesis, a lot of attention is placed on the possibility to combine fuzzy rules from fuzzy systems being members of classification ensemble. Furthermore, an emphasis is placed on ensembles that can work on incomplete data, thanks to rough set theory.
.Front Matter....Pages 1-8
Introduction....Pages 1-5
Introduction to Fuzzy Systems....Pages 7-28
Ensemble Techniques....Pages 29-37
Relational Modular Fuzzy Systems....Pages 39-50
Ensembles of the Mamdani Fuzzy Systems....Pages 51-59
Logical Type Fuzzy Systems....Pages 61-71
Takagi-Sugeno Fuzzy Systems....Pages 73-79
Rough-neuro-fuzzy Ensembles for Classification with Missing Data....Pages 81-127
Concluding Remarks and Challenges for Future Research....Pages 129-130
Back Matter....Pages 0--1