دوره 14، شماره 3 - ( 9-1396 )
جلد 14 شماره 3 صفحات 64-51 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
mirzaee E, esmaeilpour M. A New Hybrid Method to Increase the Prediction in Data Reduced Using Rough Set and Swarm Intelligence Model. JSDP 2017; 14 (3) :51-64
URL: http://jsdp.rcisp.ac.ir/article-1-461-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-461-fa.html
میرزائی الهه، اسماعیل پور منصور. ارائه روشی ترکیبی برای افزایش دقت پیش‌بینی در کاهش داده با استفاده از مدل
مجموعه راف و هوش تجمعی
. پردازش علائم و داده‌ها. 1396; 14 (3) :51-64
دانشگاه آزاد اسلامی واحد همدان
چکیده: (4921 مشاهده)
نیاز به طراحی سامانه‌هایی که قادر به اکتشاف سریع اطلاعات مورد علاقه کاربران با تاکید بر کمینه مداخله انسانی باشند از یک سو و روی‌آوردن به روش‌های تحلیل متناسب با حجم داده‌های حجیم ازسوی دیگر، در دنیای امروزی به‌خوبی احساس می‌شود. از‌این‌رو بهره‌گیری از قدرت فرآیند داده‌کاوی جهت شناسایی الگوها و مدل‌ها و نیز ارتباط عناصر مختلف در پایگاه داده جهت کشف دانش نهفته در داده‌ها روز‌به‌روز ضروری‌تر می‌شود. از سوی دیگر تئوری مجموعه راف را می‌توان به‌عنوان یک ابزار برای کشف وابستگی داده‌ها و کاهش خصیصه‌های موجود در یک مجموعه داده، تنها با استفاده از داده‌ها و بدون نیاز به اطلاعات اضافی برشمرد. در این پژوهش جهت بهبود روند انتخاب ویژگی‌های اصلی و بهبود تئوری مجموعه راف، از ترکیب الگوریتم مورچگان و تئوری مجموعه راف جهت یافتن زیرمجموعه ویژگی‌های اصلی و حذف اطلاعات غیر مفید با از دست رفتن کمینه اطلاعات استفاده شده است. نتایج حاصل از این ترکیب در ارزیابی داده‌های قیمت نفت نشان می دهد که ترکیب الگوریتم مورچگان و تئوری مجموعه راف در انتخاب ویژگی های مفید و بهینه، عملکرد مناسب‌تری نسبت به مدل های اخیر دارد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1394/8/30 | پذیرش: 1395/8/8 | انتشار: 1396/11/9 | انتشار الکترونیک: 1396/11/9
دریافت: 1394/8/30 | پذیرش: 1395/8/8 | انتشار: 1396/11/9 | انتشار الکترونیک: 1396/11/9
فهرست منابع
1. [1] J. Wang, "Reduction Algorithms Based on Discernibility Matrix: The Ordered Attributes Method," Journal of Computer Science & Technology, Vol. 16, No. 6, pp. 489–504, 2001. [DOI:10.1007/BF02943234]
2. [2] H. Nakayama, Y. Hattori and R. Ishii, "Rule Extraction Based on Rough Set Theory and Its Application to Medical Data Analysis," IEEE Conference on Data Analysis 0-7803-5731-0/99, pp.924-929, 1999. [DOI:10.1109/ICSMC.1999.815677]
3. [3] Z. Pawlak, "Rough Sets: Theoretical Aspects of Reasoning about Data," Kluwer Academic Publishers, Dordrecht, Boston, London, 1991. [DOI:10.1007/978-94-011-3534-4]
4. [4] Z. Pawlak, "Rough Sets and Data Analysis," IEEE Conference Intelligent Processing Systems, Beijing, China, October 28-31, 1996. [DOI:10.1109/AFSS.1996.583540]
5. [5] A.S. Honby, Oxford Advanced Learners Dictionary of Current English," Oxford University Press, UK, 1974.
6. [6] Q. Zhang, Z. Han and F. Wen, "A New Approach for Fault Diagnosis in Power Systems Based on Rough Set Theory," 4th international Conference on Power Systems Control, Operation and Management, APSCOM-97, Hong Kong, November 1997, pp.597-602, 1997. [DOI:10.1049/cp:19971902]
7. [7] M. Toshinori, "Rough Control Application of Rough Set Theory to Control," Computer and Information Science Department Cleveland State University, 1996. [PMID]
8. [8] W. Ziarko, "The Discovery, Analysis and Representation of Data Dependencies in Databases," Knowledge Discovery in Databases, AAAI MIT Press, Cambridge, MA, pp.213-228, 1993.
9. [9] L. Xiaolei and W. Xiaobing, "The Application of Rough Set Theory in Vehicle Transmission System Fault Diagnosis," IEEE International Vehicle, ISSN:0-7803-5296-3/99,1999, pp.240-242, 1999. [DOI:10.1109/IVEC.1999.830674]
10. [10] S. Surekha, and G. Jaya Suma, "Swarm Intelligence and Variable Precision Rough Set Model: A Hybrid Approach for Classification." Computational Intelligence Techniques in Health Care Part of the series Springer Briefs in Applied Sciences and Technology, pp. 83-94, 2016.
11. [11] P. Langley, "Selection of relevant features in machine learning." AAAI Fall Symposium on Relevance, pp. 1-5, 1994. [DOI:10.21236/ADA292575]
12. [12] W. Siedlecki and J. Sklansky, "On automatic feature selection," International Journal of Pattern Recognition and Artificial Intelligence, Vol. 2, No. 2, pp. 197-220, 1988. [DOI:10.1142/S0218001488000145]
13. [13] A. Raze and G. Nasajyan, "Application of Rough Theory in Decision-Making Theory", Conference on Electrical Engineering, Gonabad Branch, Islamic Azad University, 2016.
14. [14] D. Chouchoulas and Q. Shen, "Rough set-aided keyword reduction for text cat-egorisation." Applied Artificial Intelligence, Vol. 15, No.9, pp. 843-873, 2001. [DOI:10.1080/088395101753210773]
15. [15] T. Beaubouef and R. Lang, "Rough Set Techniques for Uncertainty Management in Automated Story Generation," 36th Annual Conference on Southeast Regional Conference, April, pp.326-331, 1998.
16. [16] P. Hongxia, M. Qingfeng and W. Xiuye, "Research on Fault Diagnosis of Gearbox Based on Particle Swarm Optimization Algorithm," IEEE 3rd International Conference on Mechatronics, pp. 228-231, 2006. [DOI:10.1109/ICMECH.2006.252492]
17. [17] B. Xue, M. Zhang and W.N. Browne, "Particle Swarm Optimization for Feature election in Classification: A Multi-Objective Approach," IEEE Transactions on Cybernetics, Vol. 43, No. 6, pp. 56-71, 2013. [DOI:10.1109/TSMCB.2012.2227469] [PMID]
18. [18] C.O. Caio, D. Ramos, N.S. André, G. Chiachia, X. Alexandre and J.P. Papad, "A novel algorithm for feature selection using Harmony Search and its application for non-technical losses detection," Computers & Electrical Engineering, Vol. 37, pp. 886–894, 2011. [DOI:10.1016/j.compeleceng.2011.09.013]
19. [19] R. Diao and Q. Shen, "Feature Selection with Harmony Search," IEEE Systems, Man and Cybernetics Society, pp.128-135, 2012. [PMID]
20. [20] H. Tovhidi, H. Nezamabadi and S. sarozadi, "eature Selection Using Binary Ant colony Population Algorithm", Fisrt international conference on fuzzy systems, 2004.
21. [21] S. Kyanfar and M.R. Meybodi, "Provides an adaptive ant colony algorithm for solving continuous optimization problems", Fifth National Conference on Command and Control, 2010.
22. [22] K. Socha, and M. Dorigo, "Ant colony optimization for continuous domains," European Journal of Operational Research. Vol. 185, No. 3, pp. 1155-1173, 2008. [DOI:10.1016/j.ejor.2006.06.046]
23. [23] B. De la Iglesia, "Evolutionary computation for feature selection in classification problems." Data Mining and Knowledge Discovery, Vol. 3, No. 6, pp. 381–407, 2013. [DOI:10.1002/widm.1106]
24. [24] D. Jia, X. Duan and M.K. Khan, "Binary Artificial Bee Colony optimization using bitwise operation." Computer Industrial Engineering, Vol. 76, pp. 360–365, 2014. [DOI:10.1016/j.cie.2014.08.016]
25. [25] M. Mahdizadeh and M. Eftekhari, "A new fuzzy rules weighting approach based on Genetic Programming for imbalanced classification." JSDP. Vol. 11, No 2, pp. 111-125, 2015.
26. [26] M. Dorigo and G.D. Caro, "Ant colony optimization: A new meta-heuristic," Congress on Evolutionary Computing, pp. 17-26, 1999.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
