تصمیم گیری توزیع شده با استفاده از قوانین فازی احتمالاتی

امروزه پیاده سازی موازی و مقیاس پذیری از مهم ترین ویژگیهای داده کاوی در مقیاس بزرگ و داده کاوی توزیع شده است. در این پایان نامه، یک سیستم تصمیم گیر فازی احتمالاتی مبتنی بر کارگزار، در دو ساختار متفاوت نیمه متمرکز ( dpfrm) و ساختار توزیع شده ی مشبک (gbdpfrm )، پیشنهاد شده است. اگر مجموعه داده بسیار بزرگ باشد از رویکرد اول و در صورتی که ذاتا توزیع شده باشد، از رویکرد دوم استفاده می شود. تعامل بین کارگزارها و مبادله ی دانش محلی منجر به ظهور پایگاه قواعد فازی احتمالاتی فشرده ای می شود که برای تصمیم گیری مناسب است. یادگیری کارگزارها می تواند به صورت موازی انجام شود و ظرفیت محاسباتی سیستم را بالا ببرد. استفاده از قوانین فازی احتمالاتی علاوه بر اینکه به دلیل نزدیکی به دانش انسانی شفافیت مدل را بیشتر می کند، برای برخورد با الگوهای ناسازگار موجود در داده ها در محیط های نویزی هم مناسب است. کارایی رویکردهای پیشنهادی در دو حالت بررسی شده است: در ابتدا عملکرد آن در حل چند مسئله ی دسته بندی از uci ارزیابی شده است و سپس برای پیش بینی فوت یا بقای بیماران سوختگی که یکی از مهم ترین سیستم های تصمیم یاربالینی است، استفاده شده است. این مجموعه داده شامل اطلاعات موجود در پرونده ی 4464 بیمار سوختگی در ایران با 10 ویژگی ورودی است که از بیمارستان شهید طالقانی اهواز و بیمارستانهای اطراف این شهر جمع آوری شده است. نتایج حاکی از این است که به طور متوسط، رویکرد اول و دوم به ترتیب موجب کاهش تعداد قوانین به میزان 60.31 و 68.31 درصد می شود و دقت سیستم به طور متوسط حدود 3 درصد بهبود می یابد.