آموزش الگوریتم فاصله میانه فازی Median Interval MIA در متلب
7 ساعت
0.0
همه انسانها در زندگی روزمره به صورت ناخودآگاه تصمیمگیریهایی را انجام میدهند که سادهترین آنها در مورد پوشش و سایر مسائل زندگی است. به عنوان یک مثال ساده میتوان گفت که افراد هنگام بیرون رفتن با توجه به شرایط آب و هوایی، مکان مورد نظر، نحوه رفت و آمد و… در مورد پوشش خود تصمیم میگیرند. هدف از تولید سیستمهای Perceptual (per-c)، کمک به افراد در تصمیمگیریهای مهم است. یک مثال ساده از یک سیستم per-c این است که فرض کنیم فردی میخواهد در شرایط اقتصادی حاضر، مقداری پول را در حوزهای سرمایهگذاری کند اما از حوزههای مختلف و میزان سود و زیان و همچنین ریسک آنها اطلاعی ندارد. در چنین شرایطی میتوان سیستم per-c را طراحی کرد که به عنوان ورودی فاکتورهایی که برای فرد مهم است را دریافت کرده و با انجام یک سری تحلیلها و با توجه به شرایط فرد، تصمیمی را اتخاذ کند. به عنوان مثال میتواند حوزههای مختلف سرمایهگذاری مانند: بورس، خرید کالا، طلا و دلار را با توجه به سود خود رتبهبندی کرده و میزان ریسک هر حوزه را بیان نماید. همانطور که از مثال بالا مشخص است، بهتر است که ورودی و خروجی چنین سیستمی، از نوع کلمات زبان طبیعی باشد. برای مثال وقتی قرار است به عنوان خروجی به فرد گفته شود که ریسک خرید طلا در چنین شرایطی کم است، این کم بودن را نمیتوان از طریق اعداد به گونهای که قابل فهم باشد، بیان کرد. علاوه بر این، ورودی و خروجی در سیستمهای per-c همانطور که میتواند اطلاعات عددی باشد، اطلاعات کلامی نیز میتواند باشد. سیستم per-c که در این آموزش بر روی آن تمرکز داریم، سیستمی است که ورودی و خروجی آنها کلمات زبان طبیعی است. در معماری سیستم per-c سه بخش مهم وجود دارد که عبارتند از: Encoder, CWW Engine و Decoder. بخش Encoder وظیفه دارد که ورودی سیستم per-c که کلمات زبان طبیعی هستند را دریافت کرده و آنها را به مجموعههای Fuzzy Set از نوع IT2FS تبدیل کند. برای انجام این فرایند، الگوریتمهای مختلفی، از جمله: Person FOU, Interval Approach, Enhanced Interval Approach و Median Interval Approach ارائه شدهاند. در این آموزش، الگوریتم Median Interval Approach (MIA) توضیح داده میشود و سپس با استفاده از برنامه متلب بر روی یک Dataset پیادهسازی میگردد.
