بترکه چشم حسود    

جستجوی پیشرفته مقالات

     عنوان:

نماد اعتماد الکترونیکی

لیست مقالات ترجمه شده

سایر مقالات

امروز
دیروز
هفته جاری
هفته گذشته
ماه جاری
ماه گذشته
بازدید کل
16217
36285
101151
16404402
492595
496149
16881730

آی‌پی شما: 44.222.116.199
امروز: پنج شنبه، 09 فروردين 1403 شمسی ساعت به وقت گرینویچ: 15:01:18

توجه                           توجه

تمامی مقالات ترجمه شده در قالب فایل ورد (Word)  ارائه می‌شوند.


       دسته‌بندی: مقالات منطق فازی       فروش: 4 بازدید: 12338
راهکار موازی موثر برای داده کاوی ژنتیک – فازی
    قیمت محصول: 200000 ریال



 

An effective parallel approach for genetic-fuzzy data mining

Abstract

Data mining is most commonly used in attempts to induce association rules from transaction data. In the past, we used the fuzzy and GA concepts to discover both useful fuzzy association rules and suitable membership functions from quantitative values. The evaluation for fitness values was, however, quite time-consuming. Due to dramatic increases in available computing power and concomitant decreases in computing costs over the last decade, learning or mining by applying parallel processing techniques has become a feasible way to overcome the slow-learning problem. In this paper, we thus propose a parallel genetic-fuzzy mining algorithm based on the master–slave architecture to extract both association rules and membership functions from quantitative transactions. The master processor uses a single population as a simple genetic algorithm does, and distributes the tasks of fitness evaluation to slave processors. The evolutionary processes, such as crossover, mutation and production are performed by the master processor. It is very natural and efficient to run the proposed algorithm on the master–slave architecture. The time complexities for both sequential and parallel genetic-fuzzy mining algorithms have also been analyzed, with results showing the good effect of the proposed one. When the number of generations is large, the speed-up can be nearly linear. The experimental results also show this point. Applying the master–slave parallel architecture to speed up the genetic-fuzzy data mining algorithm is thus a feasible way to overcome the low-speed fitness evaluation problem of the original algorithm.

 

pdfدانلود رایگان مقاله انگلیسی                   905.04 KB

 

چکیده
داده کاوی عمدتا در تلاش ها برای استنتاج قواعد انجمنی از داده های تراکنش استفاده می شود. در گذشته از مفاهیم فازی و الگوریتم ژنتیک برای کشف هر دو قواعد انجمنی فازی مفید و توابع عضویت مناسب از مقادیر کمّی استفاده می کردیم. ارزیابی برای مقادیر برازندگی زمانبنر بود. به دلیل افزایش های قابل توجه در توان محاسباتی قابل دستیابی و کاهش های پیوسته در هزینه های محاسباتی در طول دهه اخیر، یادگیری یا کاوش با استفاده از تکنیک های پردازش موازی یک راه امکان پذیر برای غلبه بر مسئله یادگیری آرام گشته است. در این مقاله، یک الگوریتم کاوش ژنتیک – فازی موازی مبتنی بر معماری master-slave (ارباب – برده) برای استخراج هر دو قاعده انجمنی و توابع عضویت از تراکنش های کمّی پیشنهاد می کنیم. پردازنده master از یک جمعیت بعنوان الگوریتم ژنتیک ساده استفاده می کند و وظایف ارزیابی برازندگی را برای پردازنده های slave توزیع می کند. فرایندهای تکاملی، مانند ترکیب، جهش و تولید توسط پردازنده master انجام می گیرند. اجرای الگوریتم پیشنهادی روی معماری master-slave طبیعی و کارا است. پیچیدگی های زمانی برای هر دو الگوریتم کاوش ژنتیک – فازی ترتیبی و موازی نیز مورد تجزیه و تحلیل قرار گرفته اند که تاثیر خوب روش پیشنهادی را نشان می دهند. زمانیکه تعداد نسل ها زیاد است، افزایش سرعت می تواند تقریبا خطی باشد. نتایج تجربی نیز این نکته را نشان می دهند. استفاده از معماری موازی master-slave برای افزایش سرعت الگوریتم داده های ژنتیک – فازی بنابراین یک روش امکان پذیر برای غلبه بر مسئله ارزیابی برازندگی الگوریتم اصلی با سرعت پایین است.

 

تعداد صفحات مقاله انگلیسی:8 صفحه
تعداد صفحات مقاله فارسی:26 صفحه


لینک دانلود فایل خریداری شده بلافاصله بعد از پرداخت آنلاین فعال می‌شود