مروری بر داده کاوی و بررسی شبکه های عصبی‎

کاربرد الگوریتم های خوشه بندی در زمانبندی تولید

پاورپوینت آماده ویرایش با موضوع:

کاربرد الگوریتم های خوشه بندی در زمانبندی تولید

مروری بر داده کاوی و بررسی شبکه های عصبی

چندین دهه است که شرکت ها اطلاعات را جمع آوری می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسترس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکتها این است که چگونه میتوان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوی است، که امروزه در بسیاری از صنعتها از جمله پزشکی، آموزش، ورزش و بسیاری از صنایع دیگر مورد استفاده قرار میگیرد. تکنیکهای بسیاری جهت داده کاوی وجود دارد از جمله شبکه های عصبی مصنوعی، رگرسیون، درخت تصمیم و غیره. همچنین طراحی شده است اشاره SAS که توسط شرکت JMP نرم افزارهایی نیز برای داده کاوی ایجاد شده است که میتوان به نرم افزار کرد. این مقاله به معرفی داده کاوی و برخی از روشهای داده کاوی و همچنین محیطهایی که از داده کاوی بهره میبرند به همراه نرم افزار های آن پرداخته است.

فهرست :

چکیده

مقدمه

داده کاوی

تکنیک های داده کاوی

دسته بندی

رگرسیون گیری

خوشه بندی

تجمع و همبستگی

درخت تصمیم گیری

ویزگی های درخت تصمیم

الگوریتم ژنتیک

شبکه های عصبی مصنوعی

ساختار شبکه عصبی

نورون

معماری شبکه عصبی

شبکه های پیش خور تک لایه

انواع یادگیری در شبکه های عصبی مصنوعی

داده کاوی در پزشکی

داده کاوی در سلامت

نرم افزار های داده کاوی

نتیجه گیری

مراجع

خوشه بندی و الگوریتم میانگین موزون K

خوشه بندی و الگوریتم میانگین موزون

دستیابی به کیفیت سرویس در شبکه های حسگر بیسیم با استفاده از آتوماتاهای یادگیر سلولی(فرمت ورد Word )تعداد صفحات 136

چکیده

یک شبکه حسگر بی سیم از تعداد زیادی از نودهای حسگر  در یک ناحیه خاص تشکیل شده است که هر یک از آنها توانایی جمع آوری اطلاعات ازمحیط را دارا می باشد و داده های جمع آوری شده را به نود سینک ارسال می کند. هر چند که به طور کلی راجع به شبکه های حسگر بی سیم تحقیقات زیادی صورت گرفته است، در مورد کیفیت سرویس در این شبکه ها هنوز به اندازه کافی کار نشده است. کیفیت سرویس در شبکه های حسگر بی سیم نسبت به شبکه های سنتی بسیار متفاوت است. از آنجایی که زمینه کاربرد این شبکه ها بسیار وسیع می باشد، پارامترهای کیفیت سرویس درآنها متفاوت است. بعضی از پارامترهایی که در ارزیابی کیفیت سرویس مورد استفاده قرار می گیرند عبارتند از: پوشش شبکه, تعداد بهینه نودهای فعال در شبکه, طول عمر شبکه و میزان مصرف انرژی.

تکنیکی که ما جهت بهبود پارامترهای کیفیت سرویس در شبکه ها ی حسگر مورد استفاده قرار داده ایم, روش هوشمند اتوماتاهای یادگیر سلولی(CLA) می باشد. اتوماتای یادگیر سلولی یک رهیافت مکاشفه‌ای برای حل مسایل بهینه‌سازی پیچیده می‌باشد که بررسی‌های اخیر برروی آن، کارایی مناسب آن را به عنوان تکنیکی برای حل این‌گونه مسائل نشان داده است.

چکیده 8

1-   مقدمه  9

1-1-   شبکه های حسگر بی سیم. 9

1-1-1-    مسائل مطرح در شبکه های حسگر بی سیم. 12

1-1-2-    پوشش محیط در شبکه های حسگر بی سیم. 14

1-1-3-    خوشه بندی در شبکه های حسگر بی سیم. 15

1-1-4-    تجمیع داده ها در شبکه های حسگر. 16

1-2-   کیفیت سرویس در شبکه های حسگر بی سیم. 17

1-2-1-    کیفیت سرویس در شبکه های داده ای سنتی.. 19

1-2-2-    کیفیت سرویس در شبکه های حسگر بی سیم. 21

1-3-   آتوماتای یادگیر. 24

1-3-1-    آتوماتای یادگیر. 26

1-3-2-    معیار‌های رفتار اتوماتای یادگیر. 29

1-3-3-    الگوریتمهای یادگیری.. 30

1-3-4-    آتوماتای یادگیر با عملهای متغیر. 34

1-4-   آتوماتای یادگیر سلولی.. 35

1-4-1-    آتوماتای سلولی   35

1-4-2-    آتوماتای یادگیر سلولی (CLA) 39

1-5-   اهداف پایان نامه و ساختار آن. 42

2-   پوشش محیط در شبکه های حسگر بی سیم با استفاده از آتوماتاهای یادگیرسلولی   44

2-1-   مقدمه                    44

2-1-1-    اشکال مختلف طراحی.. 45