پرسپترون چندلايه فازي مبتني بر قابليت اطمينان

اصفهان : دانشگاه صنعتي اصفهان

مهندسي صنايع

كارشناسي ارشد

توانايي پيش‌بيني آينده پديده‌هاي پيچيده تأثير قابل‌توجهي در كاربردهاي صنعتي و تحقيقات علمي داشته و نقش مهمي در برنامه‌ريزي و تصميم‌گيري افراد و سازمان‌ها در بسياري از زمينه‌هاي علمي، مهندسي، پزشكي، اقتصادي و غيره ايفا مي‌كند. امروزه يادگيري ماشين به يك ابزار مهم و اساسي در پيش‌بيني تبديل‌شده است. شبكه عصبي مصنوعي به‌عنوان يكي از روش‌هاي محبوب و پركاربرد يادگيري ماشين براي شناسايي روابط پيچيده و غيرخطي بين ويژگي‌هاي داده و پيش‌بيني دقيق‌تر استفاده مي‌شود؛ بااين‌حال، يكي از عوامل تأثيرگذار بر كيفيت نتايج پيش‌بيني و تصميم‌گيري‌ها، عدم قطعيت موجود در داده‌هاست كه در حوزه‌هاي مختلف مانند اقتصاد كلان، مديريت ريسك مالي، پزشكي و غيره مي‌تواند بسيار حائز اهميت باشد. بر ‌اين ‌اساس، بسياري از مطالعات پيش‌بيني بر مدل‌سازي عدم قطعيت‌ها تمركز دارند. شبكه‌هاي عصبي مصنوعي فازي روش‌هاي تركيبي هوشمندي هستند كه قابليت‌ يادگيري شبكه‌ عصبي ‌مصنوعي را با قابليت تفسيرپذيري و مديريت ابهام منطق فازي تركيب مي‌كنند و آن‌ها را براي مدل‌سازي سيستم‌هاي پيچيده و غيرقطعي مناسب مي‌كند. در ادبيات موجود اغلب پژوهش‌ها جهت دستيابي به عملكرد مطلوب مدل، تمركز خود را بر بهينه‌سازي دقت از طريق كاهش طول بازه پارامترهاي فازي معطوف كرده‌اند؛ بااين‌حال، اين شاخص به‌تنهايي نمي‌تواند يك معياركافي براي ارزيابي عملكرد مدل روي داده‌هاي جديد باشد؛ چراكه ممكن است مدلي بسيار دقيق، ولي نسبت به داده‌هاي ناشناخته و شرايط متغير بسيار حساس و ناپايدار باشد. ‌اطمينان به دقت عملكردي مدل، نكته‌اي است كه در ادبيات پژوهش مدل‌هاي پيش‌بيني هوشمند فازي ناديده گرفته شده است و به‌صورت نظام‌مند در فرايند آموزش مدل‌ها لحاظ شده است. پژوهش حاضر با هدف پر كردن اين خلأ پژوهشي، به طراحي و پياده‌سازي يك رويكرد اطمينان‌محور در ساختار پرسپترون چندلايه فازي به‌عنوان يك رويكرد محبوب و پركاربرد شبكه‌هاي عصبي فازي مي‌پردازد. هدف اين رويكرد، نه تنها توليد خروجي دقيق، بلكه توليد خروجي‌هايي با قابليت اطمينان بالا است؛ يعني خروجي‌هايي كه در مواجهه با تغييرات يا افزوده شدن داده‌هاي جديد، نوسانات ناگهاني نداشته باشند. براي ارزيابي رويكرد پيشنهادي، 10 مجموعه داده معيار انتخاب و عملكرد مدل پيشنهادي از لحاظ پهناي بازه گسترش موردبررسي قرار گرفت و با نتايج مدل‌هاي معمول دقت‌محور مقايسه شد. تحليل نتايج نشان داد رويكرد پيشنهادي توانسته ‌است به‌طور ميانگين موجب بهبود 18.25 درصدي نسبت به نسخه متداول شود؛ به عبارتي، رويكرد پيشنهادي توانسته بازه برش α را نسبت به رويكردهاي دقت‌محور كاهش داده و به بهبود عملكرد مدل دست يابد. اين يافته‌ها تأييد مي‌كند كه افزايش قابليت اطمينان نه‌تنها موجب حفظ يا افزايش دقت مي‌شود، بلكه تأثير مثبت و قابل‌توجهي نيز بر تعميم‌پذيري مدل دارد.

236264

بهينه سازي

مهندسي صنايع و سيستم ها

دانشگاه صنعتي اصفهان