پاورپوینت مدل نورو-فازی تطبیقی برای بررسی عملکرد تحصیلی دانشجویان

بخشی از پاورپوینت

اسلاید 1 :

بسم الله الرحمن الرحیم

مدل نورو-فازی تطبیقی برای بررسی عملکرد تحصیلی دانشجویان

سمینار مدلسازی سیستم های بیولوژیکی

اسلاید 2 :

فهرست عناوین
مقدمه بر تئوری فازی
مشکلات موجود
سیستم های نورو- فازی تطبیقی
مروری بر روش های ارزیابی عملکرد موجود
توسعه سیستم استنتاج نورو- فازی تطبیقی
مراجع
نتیجه گیری

اسلاید 3 :

تئوری فازی
در 1965، زاده اولین مقاله درباره روش جدیدی برای توصیف عدم قطعیت های غیراحتمالاتی ارائه نمود که آن را مجموعه های فازی نامید
مجموعه فازی : یک مجموعه بدون مرز قطعی
گذار تدریجی بین تعلق داشتن و عدم تعلق به یک مجموعه
این گذار آرام با توابع تعلق توصیف می شود که باعث انعطاف پذیری مجموعه های فازی در مدلسازی عبارات زبانی می شود
مجموعه فازی A در فضای ورودی X : یک مجموعه زوج مرتب

تابع تعلق هر عنصر در X را به یک مقدار تعلق بین 0 و 1 می نگارد.

اسلاید 4 :

تئوری فازی
تابع تعلق بل شکل تعمیم یافته
Bell MF با سه پارامتر {a, b, c} مشخص می شود:

اسلاید 5 :

تئوری فازی
قوانین اگر-آنگاه فازی
if x is A then y is B
A , B مقادیر زبانی تعریف شده توسط مجموعه های فازی در فضاهای X , Y هستند
استدلال فازی یا استدلال تقریبی
یک روال استنتاجی است که برای استخراج نتیجه قوانین اگر- آنگاه و یک یا چند شرط استفاده می شود

اسلاید 6 :

تئوری فازی
مدل های فازی (سیستم استنتاج فازی)
یک قالب محاسباتی عمومی شامل مولفه مفهومی
یک پایگاه قانون: انتخاب قوانین فازی
یک پایگاه داده: تعیین تابع تعلق مورد استفاده در قوانین فازی
یک مکانیسم استدلال: انجام روال استنتاج بر مبنای قوانین و یک شرط داده شده برای استخراج یک خروجی قابل قبول
مدل فازی Sugeno
یک نمونه قانون فازی: if z is A and y is B then z = f ( z ,y )
A , B مجموعه های فازی و f یک تابع قطعی(معمولا یک چند جمله ای)
چون هر قانون یک خروجی قطعی دارد، خروجی نهایی از طریق میانگین گیری وزن دار بدست می آید

اسلاید 7 :

تئوری فازی
شیوه های تفکیک برای مدل های فازی
مقدم های قوانین فازی، فضای ورودی را به تعدادی نواحی محلی تفکیک می کنند در حالی که تالی ها رفتار درون یک ناحیه داده شده را از طریق مولفه های مختلف توصیف می کنند
تفکیک پراکندگی
با پوشش زیرمجموعه ای از کل فضای ورودی
که یک ناحیه رخداد ممکن از بردارهای ورودی
را توصیف می کند، تفکیک پراکندگی همچنین
می تواند تعداد قوانین را تا حد قابل قبولی
محدود نماید

اسلاید 8 :

مشکلات موجود
با این همه، این روش وقتی که هیچ دانش زبانی وجود ندارد نه امکان پذیر است و نه مناسب
طراحی دستی سیستم های فازی ممکن است به دلیل سختی تعیین توابع تعلق یا ساختارهای استدلال به زمان سعی و خطای طولانی و دانش ورودی زیادی از متخصص نیاز داشته باشد
سیستم های فازی فاقد توانایی یادگیری هستند
در موارد مشابه با شرایط متفاوت عملکرد متفاوتی دارند

اسلاید 9 :

سیستم های نورو- فازی تطبیقی adaptive neuro-fuzzy systems

سیستم های فازی مناسب برای حالتی که دانش متخصص کافی برای فرایند موجود باشد
در حالی که سیستم های عصبی مناسب برای حالتی که داده فرایند کافی یا قابل اندازه گیری وجود داشته باشد
هر دو شیوه سیستم های غیرخطی بر مبنای متغیرهای پیوسته محدود می سازند با این تفاوت که سیستم های عصبی در یک شیوه کمیتی نمادین عمل می کنند ولی سیستم های فازی به شیوه کیفیتی نمادین
بنابراین با ترکیب این دو، سیستم های فازی قالب قدرتمندی برای نمایش دانش متخصص فراهم می نمایند و شبکه های عصبی توانایی یادگیری را

اسلاید 10 :

مروری بر روش های ارزیابی عملکرد موجود
آموزش فرایندی است که دانشجویان را از مراحل پایین پذیرفته، از چندین مرحله پیشرفت عبور داده و افرداد متخصصی با توانایی و مهارت های ویژه و مناسب برای یک شغل یا مرحله بالاتر آموزش، فراهم می نماید
ویژگی های سیستم کلی به طور مرسوم توسط مدل هایی بر اساس تعداد درس هایی که دانشجو گذرانده و میانگین نمرات کل مشخص می شود
این سیستم شایستگی اکتساب شده برای دوران بعدی را تضمین نمی نماید
روش جدیدی بر مبنای یاد گرفته ها نه آموخته های دانشجو، تعریف شده است

اسلاید 11 :

روش های ارزیابی عملکرد موجود
هدف از بررسی عملکرد تحصیلی دانشجو
تصمیم گیری درباره قبول یا رد شدن در دروس
بدست آوردن نشانه ای برای سطح یادگیری دانشجویان
فراهم کردن اطلاعاتی درباره سودمندی آموزش
در این بررسی جمع وزن دار ابزار های ارزیابی برای محاسبه امتیاز عددی هر دانشجو به صورت زیر حساب شده است:
Quiz (Q) is 10%, Major (M) is 15%, Midterm (MD) is 20%, Final (F) is 40%, Performance Appraisals (P) is 10%, and Survey (S) is 5%.

اسلاید 12 :

توسعه سیستم استنتاج نورو- فازی تطبیقی
در این بررسی 228 نمونه داده برای توسعه مدل ANFIS در نظر گرفته شده
بخشی از مجموعه داده های ورودی برای آموزش و ساخت و بخش دیگر برای تست عملکرد مدل استفاده شده است
مدل ANFIS می تواند مقادیر عددی قطعی تولید نموده و شامل پارامترهای
تعریف متغیرهای ورودی و خروجی توسط عبارات زبانی
تصمیم گیری درباره بخش های فازی فضاهای ورودی و خروجی
انتخاب توابع تعلق برای متغیرهای زبانی ورودی و خروجی
تصمیم گیری درباره نوع قوانین کنترلی فازی
طراحی مکانیسم استنتاج
انتخاب یک روش غیرفازی سازی

اسلاید 13 :

توسعه سیستم استنتاج نورو- فازی تطبیقی
تعداد قوانین معمولا برابر تعداد کلاسترهای خروجی است
پنج مرکز کلاستر برای این مجموعه داده در نطر گرفته شده است
تعداد مجموعه قانون برابر با تعداد کلاسترها است که هر یک بیانگر ویژگی کلاستر است
از مدل سوگنو برای روال استدلال استفاده شده است
پارامترهای ورودی
Quiz(Q), Major (M), Midterm (MD), Final (F), Performance Appraisals (P),and Survey (S)’
خروجی: ‘Student’s Academic Performance(SAP)’
برچسب های متغیرهای زبانی
‘unsatisfactory(A1), average (A2), good (A3), very well (A4), excellent (A5)

اسلاید 14 :

توسعه سیستم استنتاج نورو- فازی تطبیقی
نمونه قوانین اگر- آنگاه استفاده شده:
‘IF the Quiz(Q) of a student is Good and Major (M) exams are Good and Midterm(MD) exam is Very-good and Final (F) exam is Good THEN The SAP will be Good’
درجه تعلق هر مقدار زبانی توسط تابع بل شکل محاسبه شده است

اسلاید 15 :

روال استنتاج فازی برای ارزیابی مدل سوگنو

اسلاید 16 :

توابع تعلق تنظیم شده Final exam, Major exam به عنوان توابع ورودی

اسلاید 17 :

ساختار ANFIS برای مدل 6 ورودی- یک خروجی فازی سوگنو

اسلاید 18 :

خروجی ANFIS در مقایسه با روش آماری مرسوم