Apr 192014
 

خلاصه درس مبانی محاسبات نرم
فصل نهم

استنتاج فازی :
بر اساس اصل توسیع زاده : یک عمل یا رابطه ای بر روی مجموعه های فازی وجود داشته باشد می تواند روی مجموعه های فازی گسترش داد

نقش تابعی هم می تواند داشته باشد

با دامنه های فازیمختلف می توانیم برد های فازی مختلف را داشته باشیم

اسلاید ۵:
پیچش فازی :fuzzy Conjuction
گسست فازی: fuzzy dijunction

در مجموعه های فازی رابطه ها معمولا ترکیب قوانین و ترکیب روابط کاربردی هستند

اسلاید ۷ :
قانون ۱ : x و y تقریبا مساوی هم هستند
قانون ۲ : x کوچک است

اسلاید ۸ :
به ازای همه x ها با چه درجه عضویتی در R تعریف شده

اسلاید ۹ :
GMP : طریق حالات تعمیم یافته تمام حالت هایی که می تواند مساله را پوشش بده در نظر می گیریم و روی آن واحد تعیین می کنیم

در این حالت به صورت نوشتاری
ورودی داریم x
قانون
نتایج
اسلاید ۱۰ : if then rule ها در زبان عامیانه هم می توانند کاربرد داشته باشند

اسلاید ۱۱ : در استدلال های فازی از p norm ها می توانیم استفاده کنیم

مجموعه های فازی هر گاه نیاز به ترکیب کردن مجموعه ها داشته باشیم می توانیم تعمیم دهیم

تفاوت GMP و if then rule
در GMP قوانینی از قبل ذخیره شده است
مثل اثبات یک قانون ریاضی

———————
تعریف درجه عضویت ها :

– میانگین درجه عضویت ها
– تفاضل درجه عضویت ها
می توان از حاصل ضرب دو تا x و دو تا y می توانیم بدست آوریم که اپراتور لارسن Larsen می گوییم

*** مهم ***

یک rule base قوانین با چند ورودی و خروجی تعریف می شود MiMo

اسلاید ۱۵ :
ترکیب کردن قوانین
اگر v در A باشد سپس w در C هست

نکته اساسی :
با توجه به اپراتور های قبلی حداقل اپراتور برای نتایج ‘C تعریف کنیم

اسلاید ۱۶
فرض کنیم که ورودی u0 کریسپ باشد

روش Larsen یم زیر مجموعه ای از روش Mandani است برای تک عضو لارسن مثلثی است که در داخل ذوزنقه … قرارمی گیرد

جمع بندی :
هر چه قانون در ذهن بشر به صورت فازی وجود دارد می توانیم در یک دیتا بیس جمع آوری کنیم

در صورتی که یک ورودی و یک خروجی داشته باشیم یک درجه عضویت الفا ۱ می توانیم تعریف کنیم
بر اساس خروجی مثلث و ذوزنقه داشته باشیم

که خروجی لارسن سخت گیرانه تر است
و خروجی مندالی سهل گیر تر است

هنگامیکه دو شباهت مجموعه فازی را بخواهیم پیدا کنیم بایستی ماکزیمم مینیمم اولی منهای دومی

Apr 052014
 

تاریخ تحویل : ۳۰ فروردین

 

 

 

adb-ex1-1

 

جواب این سه مساله را می توان در منابع زیر یافت :

http://www.codeproject.com/Articles/673293/Calculate-exponential-function-with-Taylor-series

http://stackoverflow.com/questions/124417/is-there-a-max-function-in-sql-server-that-takes-two-values-like-math-max-in-ne

http://www.sqlservercentral.com/Forums/Topic1231697-392-1.aspx

 

adb-ex1-2

adb-tamrin-mis1

 

 

 

adb-ex1-3

جواب : در روش دوم تعداد پرسنل حتی اگر واحدی برایشان تعریف نشده باشد را نمایش میدهد

ولی در روش اول نام تمام واحد ها نمایش داده می شود حتی اگر پرسنلی  برای آن واحد ها وجود نداشته باشد

هر دو جدول بدست آمده از هردو روش دارای ۳ ستون است

ستون اول در روش اول نام واحد ها را نمایش می دهد مرتب شده بر اساس نام واحد ولی در روش دوم بر اساس پرسنل نام واحد ها را نمایش می دهدکه مرتب شده بر اساس اولین فیلد که نام واحد هست و بر اساس شماره واحد گروه بندی شده است

 

ستون دوم تعداد پرسنل که در روش اول بر اساس واحد ها از جدول پرسنل بدست می آید ولی در روش دوم تعداد تمام رکورد ها که از جدول پرسنل گروه بندی شده بر اساس unitid هست نمایش داده میشود

ستون سوم تعداد فرزندان پرسنل آن واحد هست که در روش اول از جدول child  بر اساس پرسنل که unitid انها با unitid واحد ها برابر است ولی در روش دوم تعداد child که unidid در جدول پرسنل شمارش می شوند

adb-tamrin-mis23

تاریخ تحویل ۱۶ اردیبهشت

adb-ex2

 

 

Apr 052014
 

در فضای نمونه Event

مثلا در فضای انداختن تاس فضای نمونه به صورت مساوی ۱/۶ خواهد بود
ولی در فضای نا متقارن ممکن است فضای نمونه رخداد مساوی نباشد
احتمال اجتماع آن پیشامد ها برابر بافضای کل است
در حالتی که پیشامد ها با هم اشتراک داشته باشد
Peobability Theory
بین رخدادن و دخ ندادن آن نسبتی وجود دارد.

در فضای احتمالات یکسری قوانین اثباتی دقیق داریم که انجام محاسبات را امکان پذیر می کند

Possibility Distribution
به جای این که از تابع احتمال استفاده کنیم از تابع درجه عضویت استفاده می کنیم

می توانیم میزان رخداد هر event را پیاده سازی کنیم

جایگاه Probability و Possibility
مثلا می خواهیم حدسبزنیم که سوفیا چند تا خواهر دارد
از تابع توزیع احتمال p استفاده می کنیم
با توجه به شهر محل سکونت

مثال دیگر :
فرض میگیریم که Probability و Possibility مقدارآنها بزرگتر از ۱ نمی شود

یک رابطه :
مثلا اگر یک پدیده با امکان بالا رخ بدهد ، احتمالا دفعه بعدی هم با احتمال بالا رخ می دهد

امکان کلی گویی تر هست
احتمال جزیی گویی تر هست

مقایسه Probability و Possibility

اشتراک یک تعداد event مستقل برابر با حاصل مینی مم رخداد ها می شود

Fuzzy Event
مثلا انتشار بیماری ، در کنار فرد بیمار قرار گرفتن احتمال بیمار شدن وجود دارد و قطعی نیست

و تابع توزیع احتمال نمی توان رسم کرد
در حالتی که Evnet ها خودشان فازی هستند possibility Fuzzy داریم

تعاریف :
برای Fuzzy event ها می توانیم تابع عضویت تعریف کنیم
اسلاید ۱۱

فرض کنیم در حالت گسسته به ازای تک تک پیشامد ها می توانیم احتمال های متفاوت داشته باشیم

در حالت Fuzzy Event های پیوسته از آلفا کات ها استفاده می کنیم
تمام سناریو هایی که برای a اندیس الفا وجوددارد را محاسبه می کنیم
به ازای همه آلفا ها p اندیس آلفا ها را پیدا می کنیم

مثال حالت گسسته : ( اسلاید ۱۵ )
(اسلاید ۱۸ ) بین مجموعه های فازی مختلف کدامیک قطعیت بیشتری دارد

اسلاید ۲۰ )
Measure of Fuzziness
اگر a یک مجموعه Crisp باشد ، هیچ fa برابر ۰ خواهد بود ( هیچ شکی وجود ندارد)
ولی در مجموعه های فازی

shannon Entropy (اسلاید ۲۱)
از روی آنتروپی شانون میتوانیم میزان عدم قطعیت را محاسبه کنیم
با استفاده از منفی آن، میزان عدم قطعیت را می توانیم پیدا کنیم

 

با کلیک روی آگهی زیر مبلغ 400 ریال به حساب من واریز می گردد

با کلیک روی آگهی زیر مبلغ 1000 ریال به حساب من واریز می گردد