تشخیص سریهای زمانی با استفاده از آتاماتای احتمالی

thesis
abstract

یکی از ابزارهای هوش ماشین آتاماتاهای احتمالی است.یک رویکرد برای توسعه آتاماتای احتمالی در واقع تعمیم کلاس آتاماتاها است. دراین رویکرد برحسب اینکه احتمال چگونه استفاده می شود و چه نقشی را در آتاماتا بازی می کند آتاماتا نامهای گوناگونی می یابد. و مسیر دیگر رویکردآماری است که آتاماتارا متشکل از تعدادی متغییر تصادفی در نظر می گیرد. اگر بخواهیم این دو رویکرد را کاملا از هم جدا کنیم، خروجی رویکرد اول آتاماتاهایی برای مدل سازی داده ها با توجه به گرامر بوده است و خروجی رویکرد دوم آتاماتاهائی برای مدل کردن همبستگی بین دادهای ورودی است. به عبارت دیگر اولی سعی در استنتاج قیاسی و دومی سعی در استنتاج تجربی دارد.در بین این دو رویکرد که اتفاقا به اشکال تقریبا مشابهی منجر شده یک فاصله وجود دارد. نبود یک مدل جامعتر در فاصله بین این دو یکی از مشکلاتی است که هنگام استفاده از این دسته از مدلها نمایان می شود. در اینجا سعی شده که انواع آتاماتا را بتوانیم در یک قالب ارائه کنیم یا حداقل گامی در این راه برداشته شود.مدل vpa با برداشتن قید محدود بودن الفبا، از تعریف قبلی به مدلی با تعریفی کلی تر می رسد. انگیزه اصلی ارائه چنین مدلی ارائه استنتاج منطقی بر حسب داده های گرامری، رویدادی و ...، هم استنتاج تجربی بر اساس همبستگی بین داده ای در یک مدل واحد می باشد. آتاماتاهای احتمالی خود نیز دارای ضعف های زیادی است. مهمترین ضعف یکپارچه نبودن و وجود فاصله بین انواع مختلف است. یک متد یکپارچه برای حل مسایل بوسیله آتاماتای احتمالی وجود ندارد. خوشبختانه تعریف جدید آتاماتای احتمالی که در فصل دوم بررسی می شود قید احتمالی بودن آتاماتا را عملا برداشته است و روشهای جالب و هوشمندانه ای برای حل مسایل ارائه کرده است. در فصل سوم قید دیگری هم از مدل قبلی برداشته می شود و به سوی کم کردن فاصله بین دو رویکرد گام برمی داریم. همچنین در استفاده از آتاماتاهای احتمالی در حل مسائل سوالهای زیادی بوجود می آید. درابتدا بایستی نوع آتاماتا مشخص شود. انواع اتاماتاها در برخورد با داده های پیوسته گسسته داده هایی با همبستگی بالا یا حتی داده هایی قطعی وجود دارد. بعد از انتخاب مدل تعداد حالات یا مثلا در مورد hmm تابع چگالی یا روش تعیین وزن هرحالت اهمیت میابد. در مرحله بعدی تعیین کمینه تعداد حالتها می تواند مسئله باشد. تعداد حالت روش ساخت مدل مثلا ساختن مدلهای کوچکتر و نیز ترکیب مدلهای کوچکتر(روش پایین به بالا) یا برعکس. در میان انواع اتاماتاهای احتمالی، hmm توجه بیشتری را به خود جلب کرده است. اینکه hmm چقدر قدرت دارد و چه کارهایی می تواند انجام دهد قابل توجه است. چگونه می توان بهترین hmm ای را که می تواند داده ها را توصیف کرد پیدا کرد؟ آیا لزوما بهترین hmm ای که می تواند داده ها را مدل کند همان hmm ای است که داده ها را تولید کرده است؟ سوال اخیر سوالی است که انگیزه تولید این کار شده است. بخشی از این کار در واقع جواب منفی به این سوال است. با تولید مدلی که بهتر از مدل مبدل داده های تست را تشخیص می دهد بوسیله الگوریتم جدید mlesr بر اساس کاهش مدل جواب این سوال داده شده است.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

الگوبندی اقلیم آسایش شهر شهرکرد با استفاده از تحلیل سریهای زمانی

شهرنشینی و توسعه شهرها به همراه افزایش شتابان جمعیت و توسعه‌ فعالیت های صنعتی با مصرف بی رویه سوخت های فسیلی، آلودگی ها را به شدت افزایش داده است که عواقب آن تغییر دوره‌های زمانی مطلوب از نظر اقلیم آسایش است. در واقع با شناخت از وضعیت اقلیمی شهر در ماه‌های مختلف سال و بررسی داده های هواشناسی، ایجاد آسایش اقلیمی امکان پذیر می‌باشد. درتحقیق حاضر از داده‌های ماهانه 4 عامل اقلیمی (میانگین دما، دمای...

full text

بررسی رویش راش خزر (Fagus orientalis Lipsky) با استفاده از تحلیل سریهای زمانی

گونه راش خزر Fagus orientalis Lipsky حدود 24 درصد تعداد درختان و 30 درصد حجم سرپا جنگلهای شمال ایران را تشکیل می‌دهد. تحقیق حاضر با هدف «بررسی امکان وجود نظم زمانی در رویش قطری درختان راش و تعیین رابطه ریاضی بین نوسانهای رویش با تغییر زمان» انجام شده است. بدین منظور فرضیه‌های: ایستا بودن، احتمال وجود اثر روند، تغییرات دوره ای و تغییرات تصادفی در سری داد‌ه‌ها مورد مطالعه قرار گرفت. برای این بررس...

full text

بررسی رویش راش خزر (fagus orientalis lipsky) با استفاده از تحلیل سریهای زمانی

گونه راش خزر fagus orientalis lipsky حدود 24 درصد تعداد درختان و 30 درصد حجم سرپا جنگلهای شمال ایران را تشکیل می دهد. تحقیق حاضر با هدف «بررسی امکان وجود نظم زمانی در رویش قطری درختان راش و تعیین رابطه ریاضی بین نوسانهای رویش با تغییر زمان» انجام شده است. بدین منظور فرضیه های: ایستا بودن، احتمال وجود اثر روند، تغییرات دوره ای و تغییرات تصادفی در سری داد ه ها مورد مطالعه قرار گرفت. برای این بررس...

full text

خوشه بندی سریهای زمانی با استفاده از الگوریتم ژنتیک

در سالهای اخیر داده کاوی برروی سریهای زمانی توجه بسیاری را به خود جلب کرده است. شاید بتوان گفت از میان تمام تکنیکهای به کار برده شده برروی سریهای زمانی، خوشه بندی پر استفاده ترین تکنیک می باشد. خوشه بندی سریهای زمانی می تواند به دلایل مختلفی مانند یافتن الگوهای پنهان در داده ها و جستجوی شباهتها انجام شود. سریهای زمانی معمولاً دارای ابعاد طولانی هستند که این امر کار پردازش آنها را چه از نظر حافظ...

15 صفحه اول

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه اصفهان - دانشکده فنی

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023