سال انتشار: ۱۳۸۶

محل انتشار: اولین کنفرانس داده کاوی ایران

تعداد صفحات: ۱۴

نویسنده(ها):

رجبعلی کشاورز امامی – دانشجوی کارشناسی ارشد مهندسی کامپیوتر – نرمافزار دانشگاه آزاد اسلامی
کارو لوکس – گروه علوم شناختی IPM مرکز عالی کنترل و پردازش هوشمند دانشگاه تهران
محمد ینگی ملکی – کارشناسی ارشد ریاضیات کاربردی از دانشگاه صنعتی امیرکبیر ( پلیتکنیک ایر

چکیده:

هوای فضا یکی از پدیده هایی است که نمونه بسیار مناسبی برای پژوهشهای داده کاوی است به دلیل اینکه نرخ تغییر داده ها در پدیده هوای فضا بسیار سریع و در حد چند ساعت است و بنابراین پایگاه های داده ای که حاوی اطلاعات مربوط به هوای فضا ست بسیار حجیم و بزرگ بوده و در نتیجه استفاده از روشهای داده کاوی در شناسایی این پدیده بسیار مناسب و مفید خواهد بود . ضمن
اینکه نتایج حاصل از تحلیل ا ین پدیده ها کاربردهای بسیار متنوعی در زندگی روزمره خواهد داشت . بطور کلی هوای فضا بعنوان شرایط متغیر با زمان در محیط فضا شناخته می شود که قابلیت آسیب رساندن به مصنوعات بشری در فضا یا روی زمین را داراست و در بدترین شرایط، ممکن است زندگی یا سلامت انسان را به خطر اندازد .
یکی از انواع داده کاوی، داده کاوی پیش بینی است که کاربردهای بسیاری در پیش بینی انواع پدیده ها و شناسایی سیستمها دارد . روشهای آماری و کلاسیک بسیاری برای پیش بینی، در داده کاوی پیش بینی، ارائه شده است ولی این روشها اغلب پیچیده بوده و در مواجه با داده های بسیار زیاد و حجیم کارایی خوبی از خود نشان نمیدهند به همین دلیل امروزه از روشهای جدید و نوآورانهی همچون شبکههای عصبی مصنوعی و مدلهای فازی – عصبی در این فرایند استفاده میشود . در این تحقیق ضمن اشاره به نحوه کاربرد شبکههای عصبی مصنوعی و مدلهای فاز ی – عصبی در داده کاوی پیش بینی به بررسی الگوریتم معروف و شناخته شده درخت مدل خطیمحلی ) ) LOLIMOT ، که یک الگوریتم مبتنی بر مدلهای فازی عصبی است ، خواهیم پرداخت و با بررسی الگوریتمهای کلونی مورچهها یک تابع اعتبار فازی مبتنی بر کلونی مورچه جهت استفاده در الگوریت م درخت مدل خطی محلی برای پیش بینی فعالیتهای خورشیدی مربوط به پدیدههای هوای فضا ارائه خواهیم کرد . نتایج شبیهسازی حاکی است که کارایی الگوریتم جدید پیشنهادی از نظر دقت پیشبینی و کاهش خطای پیشبینی بهتر از الگوریتم درخت مدل خطیمحلی اولیه است