بخشی از مقاله
چکيده
يکي از روشهاي فرموله نمودن دانش ، به شکل درخت تصميم مي باشد. کلاسبندي درخت تصميم DTC بطور ماهرانه اي در زمينه هاي مختلف علمي و مهندسي از جمله کلاسبندي سيگنالهاي رادار ، سنجش از راه دور، سيستمهاي خبره و ... مورد استفاده قرار مي گيرند. مشخصه بارز DTC توانايي حل فرآيندهاي تصميم گيري پيچيده به مجموعه اي ا ز تصميمات ساده تر مي باشد.که باعث تفسير ساده تر تصميم گيري مي شود. هدف اين مطالعه تصميم گيري در مورد نحوه تفکيک انواع سيگنالهاي آکوستيک اميشن مي باشد. تست AE بااستفاده از منابع سيگنال ضربه ، مداد و جرقه روي سطح يک قطعه مکعب فولادي انجام داده شده است . از نتايج مشاهده ميشود که ويژگي مدت استمرار واقعه ١ بيشترين تمايز را در سيگنالهاي بدست آمده قائل ميشود. بالا بودن دقت کلاسبندي در اين روش در مقايسه با نتايج کارهاي انجام شده قبلي قابل ملاحظه ميباشد.
کلمات کليدي : آکوستيک اميشن ، درخت تصميم ، يادگيري ماشين
١- مقدمه
آکوستيک اميشن يکي از روش هاي نوين تست غير مخرب ميباشد که بر پايه موج الاستيک آزاد شده از فرايندهاي اتمي ميباشد. يکي از مشکلات در زمان دريافت سيگنال ، شناسايي منبع آن ميباشد به نحوي که اگر يک سيگنال ناشناخته توسط سنسور آکوستيکي دريافت گرديد بتوان منبع شکل گيري آن را تعيين کرد. بدين منظور ميتوان سيستم هاي هوشمند و بحث يادگيري ماشين را در جهت نيل به اين هدف به کار برد. يکي از ابزارهاي به کار رفته در اين راستا درخت تصميم مي- باشد، که شامل فرآيند انتخاب زير مجموعه اي از خصيصه ها از مجموعۀ خصيصه هاي موجود است ، به نحوي که خصيصه هاي انتخاب شده که در فرآيند شناسايي استفاده ميشوند از ساير خصيصه ها کاراتر باشند.
براي رسيدن به کارايي مطلوب در هر الگوريتم ، نياز است که يکسري از خصيصه هاي مرتبط را بعنوان داده هاي اوليه به الگوريتم ها بدهيم . تا خصوصيات آنها محاسبه گردد فرآيند انتخاب خصيصه با کم کردن تعداد خصيصه ها، هزينه هاي شناسايي را، کاهش ميدهد و همچنين ميتواند دقت کلاسبندي سيستم را بهبود بخشد. هدف اين فرآيند عبارت از بهينه سازي توانايي کلاسبندي بر پايه داده هاي آموزشي ميباشد، به نحوي که بتواند موارد بعدي را پيشگويي کند. بکاربردن همه خصيصه ها موجود عملي نمي باشد، زيرا خصيصه هاي غير مرتبط فرآيند کلاسبندي را مشکل دار ميکند و فرآيند شناسايي سخت و در برخي موارد غير ممکن شده و کار محاسباتي سنگين تر ميشود. حتي انتخاب کردن خصيصه هاي با تعداد متوسط نيز اغلب مبني بر تجربيات و اکتشافات شخصي ميباشد.
کلاسبندي درخت تصميم يکي از روشهاي ممکن براي فرآيندهاي تصميم گيري چند مرحله اي ميباشد[١]. ايده اصلي در هر روش چند مرحله اي عبارت است از تقسيم تصميمات پيچيده به چندين تصميم ساده تر، بطوريکه تصميم نهايي بدست آمده توسط اين روش شبيه به تصميم لازم در حالت کلي آن باشد. بررسي کلي شناسايي به روش چند مرحله اي توسط Dattatreya
و Kanal ارائه شده است [٢].
هدف اين مطالعه تصميم گيري در مورد نحوه تفکيک انواع سيگنالهاي آکوستيک اميشن مي باشد. تست AE با استفاده از منابع سيگنال ضربه ، مداد و جرقه روي سطح يک قطعه مکعب فولادي انجام داده شده است . از نتايج مشاهده مي شود که ويژگي مدت استمرار واقعه ٢ بيشترين تمايز را در سيگنالهاي بدست آمده قائل مي شود. بالا بودن دقت کلاسبندي در اين روش در مقايسه با نتايج کارهاي انجام شده قبلي قابل ملاحظه ميباشد.
٢- آکوستيک اميشن
آکوستيک ايميشن پديدهاي است که در آن يک موج الاستيک در محدوده فراصوتي MHz ١ – KHz ٢٠ با آزاد شدن سريع انرژي از يک منطقه موضعي در داخل ماده بوجود مي آيد. لذا آکوستيک ايميشن يک موج صوتي يا بطور مناسب تر يک موج تنش است که بواسطه آزاد شدن سريع انرژي کرنشي در درون ماده ايجاد مي شود [٣].
٣- درخت تصميم
در حال حاضر، اخذ دانش ٣ يک گلوگاه عمده در فرايند مهندسي دانش ٤ محسوب ميشود. به منظور غلبه بر اين مشکل ، الگوريتم هايي توسعه داده شده اند که ميتوانند دانش را از داده استخراج ميکنند. يک رهيافت عملي متداول در اين زمينه ، 6 استقراي درخت تصميم ٥ ميباشد. يادگيري درخت تصميم يکي از متداول ترين و عملي ترين روش هاي يادگيري استقرايي است . اين رهيافت ، روشي براي تقريب توابع مقدار-گسسته ٧ مي باشد[٤]. تابع يادگرفته شده با استفاده از يک درخت تصميم بازنمايي ميشود. يک درخت تصميم ، عبارت است از يک ساختار درخت گونه به علاوة برخي رويه هاي استنتاج از روي آن.
علاوه بر اين ، درخت هاي يادگرفته شده ميتوانند در قالب مجموعه اي از قوانين «اگر- آنگاه» بازنمايانده شوند تا قابليت فهم ٨ آنها توسط انسان ، ارتقا پيدا نمايد. درخت هاي تصميم به واسطۀ قابليت درکي که در خود نهفته دارند، با اقبال خوبي مواجه شدهاند. وجود قابليت درک از جهات زير حائز اهميت ميباشد:
فهم قلمرو
درک قابليت هاي کلاس بندي
توجيه تصميم
علاوه بر قابليت درک بالا، درخت هاي تصميم در مقابل اغتشاش نيز مقاوم ١١ميباشند. وجود چنين مزيت هايي ، منجر به بروز تلاش هاي تحقيقاتي گسترده اي شدهاند که در نتيجۀ آنها پيشرفت هاي خوبي در زمينۀ يادگيري درخت تصميم حاصل شده است . به علاوه ، از جنبۀ کاربردي ، به کارگيري سيستم هاي مبتني بر اين رهيافت در قلمروهاي نمادين به ميزان زيادي موفقيت آميز بوده است . بيشتر الگوريتم هايي که براي يادگيري درخت هاي تصميم توسعه داده شدهاند، گونه هايي از يک الگوريتم پايه هستند که يک جستجوي حريصانۀ بالا به پايين را در فضاي کليۀ درخت هاي تصميم هدايت ميکند. اين رهيافت توسط الگوريتم هايي از قبيل ID٣ ،CART و C٤٥ به خدمت گرفته شده است . الگوريتم هاي يادگيري درخت تصميم به طور کلي بر اساس روش تقسيم بندي بازگشتي ١٢ کار ميکنند. ايدة بنيادي اين روش عبارتست از: افراز فضاي نمونه اي در يک اسلوب داده گرا١٣، و نمايش اين افراز به صورت يک درخت . در اين مقاله از نرم افزار WEKA براي توليد درخت تصميم استفاده کرده ايم ، که ابزار قدرتمندي براي اينکار ميباشد و از ميان الگوريتم هاي موجود در آن J٤٨ را که با نام ٤.٥ C نيز مطرح مي باشد، بکار برده ايم .
٣-١ الگوريتم ٤.٥ C
در اين الگوريتم براي توسعه درخت از معيار نسبت بهره استفاده ميشود . اين الگوريتم قادر به استفاده از خصيصه هاي پيوسته براي يادگيري ميباشد ، بدين ترتيب که ابتدا ارزشهاي مختلف يک خصيصه را در کل مجموعه آموزشي بصورت صعودي يا نزولي مرتب نموده سپس يک مقدار آستانه را به نحوي پيدا ميکند که بيشترين کاهش آنتروپي را در کل بازه ايجاد نمايد ، مقادير بزرگتر از مقدار آستانه در شاخه سمت راست و بقيه در شاخه سمت چپ قرارميگيرد. از ويژگيهاي ديگر اين الگوريتم استفاده از هرس مبتني بر خطا ميباشد که قادر است خصيصه نويزي را نه تنها در برگها بلکه در بدنه درخت نيز حذف نمايد. درصورتيکه خصيصه مناسبي براي توسعه درخت وجود نداشته باشد توسعه درخت در اين الگوريتم متوقف ميشود . اين الگوريتم در محيطهاي مغشوش داراي دقت بيشتري است [٥].
