2-4- پیوند p-n ………………………………………………………………………………………………… 19

2-5- پیوند p-n تحت تابش……………………………………………………………………………. 21

2-6- منحنی مشخصه جریان-ولتاژ برای سلول خورشیدی…………………………… 26

فصل سوم: سازوکارهای افزایش جذب نور در سلول­های خورشیدی

3-1- مقدمه…………………………………………………………………………………………. 30

3-2- سلول خورشیدی سیلیکونی با سطح نامنظم……………………………………………………… 31

3-2-1 سطوح نامنظم شده سیلیکون تک کریستالی…………………………………………………………… 31

3-2-2  سطوح نامنظم شده  برای سیلیکون چندکریستالی……………………………………………….. 34

3-3- اصول و طراحی پوشش ضد بازتاب………………………………………………………………… 37

3-3-1  نظریه اولیه پوشش ضد بازتاب………………………………………………………………………………….. 37

3-3-2  بهینه سازی پوشش های ضد بازتاب……………………………………………………………………….. 39

 عنوان                                                                                                      صفحه

3-3-3  نتایج بهینه سازی………………………………………………………………………………………. 42

3-4- پلاسمون های سطحی………………………………………………………………………………………. 44

3-4-1 جذب و پرکندگی از نانو ذرات کروی………………………………………………………………………… 47

فصل چهارم: تاثیر نانوذرات نقره در جذب و پراکندگی نور توسط سلول خورشیدی

یک مطلب دیگر :

4-1- مقدمه…………………………………………………………………………………………………………….. 50

4-2- سیلیکون……………………………………………………………………………………………………… 51

4-2-1 سیلیکون کریستالی……………………………………………………………………….. 52

4-2-1-1 بازدهی جذب و پراکندگی نانوذرات نقره در سیلیکون کریستالی…………………. 53

4-2-2 سیلیکون آمورفی………………………………………………………………………………… 55

4-2-2-1 بازدهی جذب و پراکندگی نانوذرات نقره در سیلیکون آمورفی…………………….. 55

4-2-3 سیلیکون  چندکریستالی…………………………………………………………………… 57

4-2-3-1 بازدهی جذب و پراکندگی نانوذرات نقره در سیلیکون چند کریستالی………… 57

4-3- کادمیوم تلوراید……………………………………………………………………………………… 59

4-3-1 بازدهی جذب و پراکندگی نانوذرات نقره در کادمیوم تلوراید:…………………………………. 60

4-4- گالیوم آرسناید و آلومینیوم گالیوم آرسناید…………………………………………………… 62

4-4-1 ساختار نوارها و چگالی موثر حالت­ها…………………………………………………….. 63

4-4-2 ضرایب جذب و بازتاب………………………………………………………………………. 64

4-4-3 بازدهی جذب و پراکندگی نانوذرات نقره در گالیوم آرسناید…………………………………… 66

4-4-4 بازدهی جذب و پراکندگی نانوذرات نقره در آلومینیوم گالیوم آرسناید         68

4-4-5 بازدهی جذب و پراکندگی نانوذرات نقره در آلومینیوم گالیوم آرسناید         69

4-5- بازدهی جذب و پراکندگی نانوذرات نقره در گالیوم فسفات………………………………. 71

4-6- ایندیوم فسفات…………………………………………………………………………….. 73

4-7- نانوذرات آلاییده شده در ………………………………………………………………………………………. 73

4-8- بخش موهومی ضریب شکست معادل نانوذره در محیط­های مختلف………………… 74

فصل پنجم: نتیجه گیری و پیشنهادات…………………………………………………………….. 77

مراجع…………………………………………………………………………………….. 79

1مقدمه:

2-1-الگوریتم نزدیک­ترین همسایه. 11

2-2- محدودیت­های روش نزدیک­ترین همسایه. 14

2-3- مروری بر راه­کارهای ارائه شده در گذشته برای بهبود الگوریتم نزدیکترین همسایه. 15

فصل سوم  18

روش­های تصمیم­گیری دسته­جمعی.. 18

3-1- مقدمه. 19

3-2- روش­های متفاوت برای ایجاد یک تصمیم­گیر دسته­جمعی.. 21

3-3- ساختارهای مختلف در روش تصمیم­گیری دسته­جمعی.. 22

3-4- رای­گیری بین دسته­بندها 23

3-5- معرفی چند روش تصمیم­گیری دسته­جمعی پرکاربرد. 24

فصل چهارم  28

روش پیشنهادی برای دسته­جمعی کردن الگوریتم نزدیک­ترین همسایه. 28

4-1- مقدمه. 29

4-2- ایده­ی اصلی.. 30

4-3- دسته­جمعی کردن مجموعه دسته­بندهای وزن­دار نزدیک­ترین همسایه. 31

فصل پنجم   39

نتایج آزمایشات پیاده سازی و نتیجه­گیری.. 39

5-1- نتایج.. 40

فصل ششم   45

نتیجه­گیری   45

فهرست منابع.. 48

• مقدمه

در دنیای امروزی حجم اطلاعات دیجیتالی به صورت روز افزونی در حال افزایش است. در همین راستا، به جهت مدیریت و بررسی علمی این اطلاعات، نیاز به پردازش هوشمندانه و خودکار این اطلاعات بیش از پیش احساس می شود.

یکی از مهم ترین این پردازش ها که در فناوری اطلاعات و ارتباطات مورد نیاز است، دسته­بندی خودکار این اطلاعات می باشد. دسته بندی در مسائل متنوعی در فناوری اطلاعات به کار گرفته می شود، در مسائلی مانند امنیت اطلاعات، شناسایی نفوزگری در شبکه، دسته بندی کاربران بر اساس اطلاعات شخصی، پردازش تصویر و در واقع شناسایی هر گونه الگو بر اساس نمونه­ها و اطلاعات پیشین. این پردازش می تواند دسته^[1]­ی نمونه­های جدید که به مجموعه اطلاعات اضافه می شود را پیش بینی نماید. از این رو در هوش مصنوعی توجه خاصی به توسعه انواع روش­های دسته­بندی هوشمند و خودکار شده است.

روش­های دسته­بندی

دسته­بندی یکی از مهم­ترین شاخه‌های یادگیری ماشین[2] است. دسته­بندی به پیش­بینی برچسب دسته[3] نمونه[4] بدون برچسب، بر اساس مجموعه نمونه­های

یک مطلب دیگر :

پایان نامه رایگان درمورد قانون مجازات، قاعده احسان، امام صادق

 آموزشی برچسب­دار (که قبلا به با کمک یک کارشناس دسته­بندی  شده­اند) گفته می­شود. درواقع دسته­بندی روشی است که هدف آن، گروه­بندی اشیا به تعدادی دسته یا گروه می­باشد. در روش‌های دسته­بندی، با استفاده از اطلاعات بدست آمده از مجموعه نمونه­های آموزشی، از فضای ویژگی­ها[5] به مجموعه برچسب دسته­ها نگاشتی بدست می آید که بر اساس آن، نمونه­های بدون برچسب به یکی از دسته­ها نسبت داده می­شود.

در مسائل دسته­بندی، هر نمونه توسط یک بردار ویژگی[6] به صورت X=<x₁ , x₂ ,… x_m> معرفی می­شود که نشان دهنده­ی مجموعه مقادیر ویژگی­های نمونه­ی­ مربوطه است. بر اساس این بردار، نمونه­ی ­ X دارای m خصوصیت یا ویژگی است. این ویژگی­ها می­توانند مقادیر عدد صحیح، اعشاری ویا مقادیر نامی[7] به خود اختصاص بدهند. همچنین این نمونه دارای یک برچسب C است که معرف دسته­ای­ است که نمونه­ی­ X به آن تعلق دارد.

تفاوت روش­ها دسته­بندی در چگونگی طراحی نگاشت است. در بعضی از آن­ها با استفاده از داده­های آموزشی مدلی ایجاد می­شود که بر اساس آن فضای ویژگی­ها به قسمت­های مختلف تقسیم می­شود که در آن، هر قسمت نشان دهنده­ی یک دسته است. در این گونه روش­های دسته­بندی از مدل برای پیش­بینی دسته­ی­ نمونه بدون برچسب استفاده شده و از نمونه­­های آموزشی به طور مستقیم استفاده نمی شود. یک نمونه از این دسته­بندها، دسته­بندهای احتمالی[8] می­باشد. این گونه الگوریتم­ها، از استنتاج آماری برای پیدا کردن بهترین دسته استفاده می­کنند؛ برخلاف سایر دسته­بند­ها که فقط بهترین کلاس را مشخص می­کنند الگوریتم­های احتمالی به ازای هر دسته موجود یک احتمال را به عنوان تعلق نمونه به آن مشخص می­کنند و کلاس برنده، بر اساس بیشترین احتمال انتخاب می­شود. روش­های احتمالی در یادگیری ماشین معمولا با نام الگوریتم­های آماری نیز شناخته می­شوند. در گروهی دیگر از روش­های دسته بندی، نمونه براساس خود مجموعه نمونه­ها و بدون ساختن مدل، به پیش­بینی دسته­ی نمونه مورد نظر می­پردازد. به این گونه الگوریتم های دسته­بندی، نمونه- بنیاد[9] گفته می­شود.

تاکنون الگوریتم­های متفاوتی به عنوان دسته­بند ارائه شده­اند. از جمله­ی­ آن­ها می­توان به الگوریتم نزدیک ترین همسایه­ها[10] [1] ، دسته­بند بیز[11][2]، ماشین بردار پشتیبان[3] و شبکه عصبی[12][4] اشاره کرد.

• ارزیابی دسته­بند

اولین موضوعی که در مورد هر الگوریتم مورد توجه قرار می­گیرد، کارایی و دقت آن الگوریتم است. در هوش مصنوعی، معیار­های متفاوتی وجود دارند که در مسائل مختلف و زیر شاخه­های این علم استفاده می­شود. در مورد کارایی یک دسته­بند­، به عنوان یکی از مسائل اصلی هوش مصنوعی، روش­های متنوعی وجود دارد که در این قسمت بررسی شده­اند.

معیار کارایی نظر­گرفته شده برای یک دسته­بند، ارتباط مستقیمی با کاربرد و ضمینه کار خاص آن دسته­بند دارد. بنابراین در مسائل متفاوت، ممکن است معیار­های مختلفی برای اندازه­گیری کارایی الگوریتم در نظر­گرفته شود. همچنین همان طور که مشخص است، یک دسته­بند که بتواند برای همه مسائل موجود بهترین جواب را ارائه دهد، وجود ندارد.

فصل سوم: مدل پیشنهادی………………………………………………………………………… 19

3-1 تعاریف……………………………………………………………………………………………….. 20

3-1-1 حالت خواب………………………………………………………………………………………………………… 20

3-1-2 انتخاب و استقرار………………………………………………………………………………………………… 21

3-1-3 حدود دسته بندی………………………………………………………………………………………………. 22

3-2 طراحی و بخش‌های مدل پیشنهادی………………………………………………………………………….. 22

3-3 عملکرد مدل پیشنهادی در یک مرکز داده………………………………………………………………… 26

3-4 بخش جانبی مدل پیشنهادی………………………………………………………………………………………. 27

3-4-1 واحد جمع آوری اطلاعات…………………………………………………………………………………. 28

3-4-2 واحد ارسال اطلاعات………………………………………………………………………………………….. 30

3-4-3 واحد دریافت و اجرای دستورات……………………………………………………………………….. 30

3-5 بخش مرکزی مدل پیشنهادی…………………………………………………………………………………….. 34

3-5-1 واحد دریافت اطلاعات………………………………………………………………………………………… 34

3-5-2 واحد ذخیره اطلاعات…………………………………………………………………………………………. 35

3-5-3 واحد طبقه بندی سرورها…………………………………………………………………………………… 35

3-5-4 واحد اتخاذ تصمیم……………………………………………………………………………………………… 37

3-5-5 واحد ارسال دستورات………………………………………………………………………………………… 40

3-6 سربارهای مدل پیشنهادی……………………………………………………………………………………………. 40

فصل چهارم: پیاده سازی……………………………………………………………………………. 42

4-1 پارامترهای آزاد در نرم افزار حاصل……………………………………………………………………………. 43

4-2 مختصات پیاده سازی…………………………………………………………………………………………………… 45

4-2-1 بازه‌ی داده برداری و ارسال اطلاعات…………………………………………………………………. 45

4-2-2 انتخاب و استقرار………………………………………………………………………………………………… 45

4-2-3 حدود دسته بندی و حاشیه………………………………………………………………………………. 47

4-3 پیکر بندی سفارشی نرم افزار……………………………………………………………………………………… 47

4-4 محیط انجام آزمایش……………………………………………………………………………………………………. 49

4-5 اندازه گیری اولیه…………………………………………………………………………………………………………. 51

4-6 بارکاری استفاده شده برای آزمایش‌ها…………………………………………………………………………. 52

4-6-1 بارکاری آزمایشی…………………………………………………………………………………………………. 53

4-6-2 بارکاری واقعی……………………………………………………………………………………………………… 55

فصل پنجم: نتایج و پیشنهادها…………………………………………………………………… 57

5-1 نتایج………………………………………………………………………………………………………… 58

5-1-1 نتایج بارکاری آزمایشی……………………………………………………………………………………….. 58

5-1-2 نتایج بارکاری واقعی……………………………………………………………………………………………. 61

5-2 جمع بندی نتایج………………………………………………………………………………………………………….. 64

5-3 خلاصه و نتیجه گیری…………………………………………………………………………………………………. 65

5-4 پیشنهادها………………………………………………………………………………………………………………………. 66

فهرست منابع………………………………………………………………………………………….. 68

1-         مقدمه

در این فصل ابتدا به توضیح مصرف برق در رایانه پرداخته می‌شود. سپس مصرف انرژی در مراکز داده و در نهایت مجازی سازی شرح داده می‌شوند.

1-1-      مصرف انرژی در رایانه

مصرف برق در رایانه را می‌توان به دو بخش تقسیم نمود:

ایستا: بخشی از انرژی مصرفی رایانه است که تنها صرف روشن بودن سیستم می‌گردد و به میزان کاری که سیستم انجام می‌دهد ارتباطی ندارد. این سطح از مصرف انرژی سبب روشن و آماده به کار نگاه داشتن سیستم شده و از لحظه‌ای که سیستم روشن می‌شود مصرف می‌گردد. بخش زیادی از این انرژی در واقع اتلاف به طرق مختلف و در سطوح مختلف سخت افزار است؛ مانند نشت جریان در مدارات مجتمع[1].

پویا: بخشی از انرژی مصرفی رایانه است که صرف انجام فعالیت‌های سیستم می‌گردد و با توجه به میزان بار[2] روی بخشهای مختلف یک سیستم (مانند: پردازنده، حافظه[3]، دیسک سخت[4]، کارت گرافیکی[5] و …) متغیر است.

شاید تصور شود که مصرف حالت بیکار یک رایانه کم یا قابل چشم پوشی است زیرا این سهمی از انرژی است که در زمانی که رایانه کار مفیدی انجام نمی‌دهد مصرف می‌کند، ولی بر خلاف تصور، یک سرور هنگام بیکاری حدود60 تا 70 درصد از بیشینه‌ی توان[6] مصرفی خود را مصرف می‌کند   [Barroso, 2007] و [Fan, 2007] و [Lefurgy, 2007]. بیشینه توان مصرفی یک رایانه هنگامی است که با حداکثر توان پردازشی[7] خود کار می‌کند.

1-2-      مراکز داده و مصرف انرژی در آنها

یک مطلب دیگر :

یک مرکز داده ساختمانی است، شامل تعداد زیادی رایانه (سرور) و قطعات مورد نیاز آنها مانند سوئیچ‌های شبکه و منابع انرژی پشتیبان [Kumar, 2009].

مصرف انرژی یک مرکز داده حاصل مجموع مصرف انرژی سرورهای موجود در آن به علاوه‌ی مصرف انرژی امکانات دیگر مانند سرورهای ذخیره سازی[8] ، سیستم‌های خنک کننده، تجهیزات شبکه و … است.

نکته‌ی قابل توجه در این مورد، سهم تقریباً 50 درصدی سرورها در مصرف انرژی مرکز داده است. به بیان دیگر تنها نیمی از انرژی مصرفی یک مرکز داده صرف پردازش و پاسخ به درخواست‌ها می‌گردد و مابقی صرف موارد دیگر که مهمترین آن سیستم‌های خنک کننده هستند می‌گردد. شکل 1-1 که نمایش تفکیک انرژی مصرفی یک مرکز داده است، به خوبی گویای این مسئله است:

شکل 1-1 نمودار تفکیکی انرژی مصرفی مرکز داده [Iyengar, 2010]

در مورد میزان مصرف انرژی در مراکز داده آمارها نشان می‌دهند علاوه بر چشمگیر بودن این مقدار، روند رو به رشدی از لحاظ مقدار و سهم از مصرف کل انرژی جامعه دارد [Koomey, 2011]. شکل‌ 1-2 نمایانگر این موضوع است.

شکل 1-2 نمودار میزان(محور عمودی) و سهم (درصدهای بالای ستون‌ها) مصرف انرژی مراکز داده در سطح جهان (سمت راست) و ایالات متحده (سمت چپ) در سالهای 2000، 2005 و 2010 میلادی [Koomey, 2011].

بر اساس تحقیقات انجام شده [Barroso, 2007]  ، [Boher, 2002] ، [Rangan, 2008] و [Siegele, 2008]، متوسط بکارگیری[9] سرورها در یک مرکز داده کمتر از 30 درصد است و یک سرور تنها در 10 درصد اوقات بکارگیری نزدیک به بیشینه‌ دارد [Armbrust, 2010].

از اینرو با توجه به سهم مصرف انرژی یک سرور در حالت بیکاری، مشاهده می‌گردد که سهم قابل توجهی از انرژی مصرفی مراکز داده به هدر می‌رود.

1-3-      مجازی سازی

مجازی سازی ابتدا در سالهای 1970 میلادی برای استفاده‌ی همزمان چندین کاربر از یک سیستم ارائه شد [Bugnion, 1997]. طی سالهای گذشته کارهای زیادی در زمینه‌ی فن‌آوری مجازی سازی انجام شده است و به مرور توانایی‌هایی بر آن افزوده شده که شاید در ابتدای ارائه‌ی ایده، جزء اهداف اصلی نبوده‌اند[Bugnion, 1997] و [Barham, 2003] و  [Clark, 2005] و [Walters, 1999].

امروزه مجازی سازی به انضمام ابزارهایی که به آن افزوده شده است ویژگی‌هایی مانند افزایش امنیت کاربران به خصوص درفضاهای غیر همکار، افزایش بهره‌وری سرورها، ایجاد بستر مناسب برای اجزای نرم افزارهای مختلف تحت سیستم عامل‌های متفاوت و به صورت همزمان، ساده‌ سازی سرویس و نگه‌داری سیستم‌ها در مراکز داده، ایجاد امکان توازن بار[10] بین سرورهای مختلف و … را عرضه می‌کند که سبب شده است بیشتر صنعت به خصوص مراکز داده به سمت استفاده از این فن‌آوری سوق پیدا کنند آنگونه که امروزه تقریباً تمامی مراکز داده در جهان از این فن‌آوری بهره می‌گیرند [Armbrust, 2010]. چنین محیط‌هایی متشکل از مجموعه‌ای از رایانه‌ها که برای ارائه سرویس‌های خود از فن‌آوری مجازی سازی استفاده می‌کنند را “ابرواره”[11] می‌نامیم. در واقع ابرواره همان مراکز داده هستند که سرویس‌های خود را روی شبکه و در در قالب بسته‌هایی از سخت افزار که به واسطه‌ی مجازی سازی شکل گرفته‌اند ارائه می‌دهند [Armbrust, 2010] و [Armbrust,2009]. این بسته‌های سخت افزار را به انضمام سیستم عامل درون خود “ماشین مجازی”[12] می‌نامیم.

مهاجرت ماشین مجازی[13] جزء قابلیت‌هایی است که مدتی پس از ظهور مجازی سازی به آن اضافه شد و به طور خلاصه عبارت است از انتقال ماشین مجازی از روی یک سرور به سرور دیگر. مهاجرت ماشین مجازی می تواند به صورت زنده[14] باشد به شکلی که کاربر نهایی[15] که از ماشین مجازی مهاجرت کننده سرویس می گیرد متوجه هیچگونه اختلالی در دریافت سرویس نشود و به عبارتی اصلاً جابجایی ماشین مجازی سرویس دهنده خود را متوجه نشود [Clark, 2005]. در شکل 1-3 طرحی از مهاجرت ماشین مجازی بین دو سرور فعال نمایش داده شده است.

شکل 1-3 نمایی از مهاجرت ماشین مجازی [Clark, 2005]

اگر بخواهیم مهاجرت ماشین مجازی به صورت زنده را دقیق‌‌تر بررسی نماییم، در واقع وقفه‌ای در ارائه سرویس پیش می‌آید که این تاخیر بین 60 تا 300 میلی ثانیه خواهد بود [Clark, 2005]. به هر حال از دید کاربر و پاسخ به درخواست‌ها مهم این است که می توان بدون بروز مشکل یا پرداخت هزینه‌ی زمانی و مصرف انرژی بالا ماشین‌های مجازی را بین سرورهای مختلف جابجا نمود [Liu, 2011].

1-4-      ساختار پایان نامه

در فصل دوم، به بیان مفاهیم و مرور کارهایی که در این زمینه صورت پذیرفته است خواهیم پرداخت. فصل سوم به بیان مدل پیشنهادی برای کاهش مصرف برق در مراکز داده اختصاص دارد. در فصل چهارم نحوه‌ی پیاده سازی، محیط و چگونگی انجام تست‌ها را شرح خواهیم داد. جمع بندی نتایج و پیشنهادها برای کارهای بعدی در فصل پنجم ارائه می‌گردد.

2-          پیشینه‌ی تحقیق

مصرف انرژی عظیمی که در مراکز داده صورت می‌گیرد باعث تحمیل هزینه‌های گزاف و مشکلات جانبی مانند گرمتر شدن کره‌ی زمین و تشدید بحران انرژی می‌شود. در چنین شرایطی تلاش برای صرفه جویی در این انرژی اهمیت ویژه‌ای پیدا می‌کند به خصوص با توجه به اتلاف انرژی که در این مراکز رخ می‌دهد. از اینرو در این زمینه کارهایی زیادی صورت پذیرفته است که در این فصل به بیان آنها خواهیم پرداخت.

فصل دوم: رفع ابهام معنایی

2-1- مقدمه. 20

2-2- انواع منابع دانش…. 22

2-2-1- منابع دانش ساختیافته  23

2-2-2- منابع دانش بدون ساختار 24

2-2-2-1 تقسیم­بندی دیگری از پیکره­ها 25

2-3- رویکردهای مختلف در رفع ابهام معنایی.. 26

2-3-1- دیدگاه مبتنی بر پیکره 26

2-3-1-1- سیستم­های نظارتی.. 26

2-3-1-2- سیستم­های غیرنظارتی.. 27

2-3-2- دیدگاه مبتنی بر دانش    28

2-3-3- دیدگاه ترکیبی و خلاقانه  30

2-4- فاکتورهای ارزیابی.. 30

2-4-1- پوشش    31

2-4-2- دقت   31

2-4-3- درستی و یادآوری  31

2-4-4- F-SCORE  32

فصل سوم: مروری بر کارهای مرتبط پیشین

3-1-  مقدمه. 34

3-2- روش­های نظارتی.. 35

3-3- روش­های غیرنظارتی.. 39

3-4- روش­های مبتنی بر دانش…. 41

3-5- روش­های ترکیبی و خلاقانه. 44

فصل چهارم: روش پیشنهادی

4-1- مقدمه. 51

4-2- معرفی ابزارها و منابع مورد استفاده 52

4-2-1- ریشه­یاب   52

4-2-2- برچسب گذار بخشی از گفتار 53

یک مطلب دیگر :

4-2-3- وردنت   54

4-2-4- وردنت توسعه یافته  57

4-2-5- دامنه­ی وردنت   59

4-3- مراحل روش پیشنهادی.. 59

4-3-1- استخراج کلمات همراه 60

4-3-1-1- پیش پردازش…. 61

4-3-2- استخراج فهرست لغات   61

4-3-2-1- کلمات مترادف و تعاریف… 62

4-3-2-2- کلیه­ی روابط معنایی.. 62

4-3-2-3- هایپرنیم در چند سطح.. 63

4-3-2-4- دامنه­ی کلمات… 64

4-3-2-5- امتیازدهی.. 64

فصل پنجم: پیاده­سازی و ارزیابی

5-1-  مقدمه. 67

5-2- نتایج.. 68

فصل ششم: جمع­بندی و نتیجه­گیری

6-1- جمع­بندی.. 71

6-2- کارهای آتی.. 72

فهرست منابع.. 74

1-1- مقدمه

تولید حجم عظیمی از مقالات و مستندات، جامعه­ی علمی را بر آن داشت تا با بهره­گیری از مزایا و توانایی­های روش­های خودکار جهت پردازش این متون، به حوزه­ای تحت عنوان پردازش زبان­های طبیعی[1] روی آورد. همچنین با توجه به وجود لیستی از معانی کلمات و عبارات یا همان دیکشنری و حتی اختصاص موسساتی جهت تعیین نحوه­ی استفاده از یک زبان در برخی از کشورها، اینطور به نظر می­رسد که امکان مکانیزه کردن فهم یک زبان توسط کامپیوتر وجود دارد [1].

2-2- حوزه تکامل قوانین فازی            11

2-3-یادگیری سیستم­های طبقه بندی کننده فازی            12

2-3-1- یادگیری سیستم­های طبقه بندی کننده فازی بر اساس الگوریتم ژنتیک            12

2-3-2- الگوریتم­های تکامل همزمان            22

2-3-3- یادگیری سیستم­های طبقه بندی کننده فازی با استفاده از الگوریتم ازدحام ذرات              24

2-3-4- یادگیری سیستم­های طبقه بندی کننده فازی با استفاده از الگوریتم زنبور عسل……. 25

2-3-5- یادگیری سیستم­های طبقه بندی کننده فازی با استفاده از الگوریتم مورچگان             26

2-4- الگوریتم رقابت استعماری            26

2-4-1- ویژگی­های الگوریتم رقابت استعماری            28

2-4-2-کاربرد­های الگوریتم رقابت استعماری            28

. 2-5-جمع بندی            30

فصل سوم

3- روش تحقیق  32

3-1- مقدمه            33

3-2- سیستم­های فازی            34

3-2-1- سیستم­های استنتاج فازی            34

سیستم­های فازی Mamdani.. 34

سیستم­های فازی Sugeno…………. 35

سیستم­های فازی Tsukamato… 35

3-2-2- طبقه بندی کننده­های فازی            36

تابع  استدلال فازی…….. 36

معیار ارزیابی قوانین ……… 38

3-3- الگوریتم CORE            39

3-4- الگوریتم جزیره ای Ishibuchi برای استخراج قوانین            39

3-5- الگوریتم GBML-IVFS-amp            41

3-6- الگوریتم GNP برای وزن­دهی به قوانین فازی            42

3-7- الگوریتم TARGET            42

3-8- الگوریتم SGERD            43

3-9- الگوریتم رقابت استعماری            44

3-9-1- مقدرادهی اولیه امپراطوری­ها            45

3-9-2- عملگر Assimilation            46

3-9-3- استراتژی­های بهینه سازی میتنی بر تکامل اجتماعی-سیاسی            47

3-10- الگوریتم­های پیشنهادی            48

3-10-1- هدف استفاده از ICA برای الگوریتم پیشنهادی            48

3-10-2- وزن­دهی به قوانین فازی            48

3-10-3- الگوریتم پیشنهادی برای تکامل قوانین فازی…. 52

قوانین خاص و عام…… 52

روش پیشنهادی برای تولید قوانین فازی …….. 53

تابع برازش پیشنهادی…….. 54

3-11-جمع بندی            57

فصل چهارم

 نتایج آزمایشات.. 58

یک مطلب دیگر :

4-1- معیار­های ارزیابی            59

4-2-مجموعه داده­ها            60

4-2-1-مجموعه داده KEEL            60

4-2-2-مجموعه داده UCI            61

4-3- الگوریتم پیشنهادی برای وزن­دهی به قوانین            61

4-3-1-پارامتر­ها و تنظیمات سیستم در پیاده سازی            61

4-3-2-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده­های فازی            62

4-3-3-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده­های غیر فازی            66

4-4- الگوریتم پیشنهادی برای تولید قوانین فازی بهینه            68

4-4-1-پارامتر­ها و تنظیمات سیستم در پیاده سازی یادگیری ساختار قوانین فازی            68

4-4-2-انتخاب ویژگی            69

4-4-3-ارزیابی الگوریتم یادگیری ساختار قوانین با روش­های فازی            70

.   4-4-4-ارزیابی الگوریتم با روش­های غیر فازی            72

.. 4-5- جمع بندی             73

فصل پنجم

جمع بندی و پیشنهادات………….. 76

اختصارات………….. 78

واژه­نامه فارسی به انگلیسی……………………………… 79

واژه نامه انگلیسی به فارسی…………. 80

فهرست منابع………….82

1. مقدمه

   • در این فصل به شرح کلیاتی پیرامون انگیزه ی انتخاب موضوع، طبقه­بندی کننده­های فازی و همچنین شرحی بر مسئله و کاربردها و چالش های می­پردازد. در انتهای فصل نیز اهداف پایان­نامه به صورت خلاصه ذکر می­شود.

• مقدمه

تاکنون دانشمندان حوزه داده کاوی تلاش­های بسیاری برای جدا­سازی صحیح نمونه­های مشابه کرده­اند. استخراج طبقه­بند­های عام[1] و قابل فهم از داده، نقش مهمی در بسیاری از حوزه­ها و مسائل است. تاکنون روش­های متعددی برای طبقه­بندی[2] و تشخیص الگو[3] معرفی شده­است. یکی از شیوه­های موفق و منحصربه­فرد در حوزه طبقه­بندی و تشخیص الگوی داده­های ورودی، استفاده از تکنیک­های فازی برای تقسیم­بندی نرم فضای ویژگی و بالطبع استفاده از یک معماری مؤثر در متصل کردن این زیر­فضاها برای تصمیم­گیری و طبقه­بندی به­صورت فازی می­باشد. طبقه­بندی فازی پروسه گروه بندی عناصر داخل مجموعه­های فازی با یک تابع عضویت[4] است[1]. در واقع، ابتدا فضای جستجو به بخش­هایی قسمت بندی می­شود به گونه ای که تمام فضا پوشش داده شود و سپس بر روی هرکدام از این زیر­فضا­ها مجموعه فازی قرار می­گیرد. اجتماعی از مجموعه­های فازی که فضای فازی نامیده می­شود، مقادیر زبانی فازی یا کلاس­های فازی را تعریف می­کند که یک شی می­تواند به آن­ها تعلق داشته باشد. پس از آن قوانین فازی اگر و آنگاه[5] با توجه به نحوه تخصیص تولید می­شوند. مدل­سازی سیستم­های فازی بصورت مجموعه­ای از این قوانین نمایش داده می­شود.