حسین مرشدلو - دانشجوی کارشناسی ارشد گرایش نرمافزار، دانشکده مهندسی کامپیوتر و فنا
احمد عبدالله زاده بارفروش - عضو هیت علمی دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعت

امروزه بدلیل حجم بسیار بالای دادهها و نیاز به پردازش و استخراج پویای دانش موجود در دادهها، دادهکاوی جریان دادهها اهمیت بسزایی یافته است . طبقهبندی جریان دادهها نیز یکی از مهمترین شاخههای دادهکاوی است که تاکنون روشهای مختلفی برای آن ارائه گردیده است . اکثر این روشها واکنشی عمل کرده و پس از وقوع تغییر مفهوم در جریان دادهها، مدل داده خود را با مفهوم جدید وفق میدهند . از آنجائیکه در دنیای واقعی بسیاری از رخدادها تکرار میشوند بنظر میرسدکه بتوان با استفاده از روشهای یادگیری، تغییرات احتمالی در جریان دادهها را پیشبینی کرد . البته بدلیل غیرقابل پیشبینی بودن برخی رخدادها لازم است که روش ارائهشده، قابلیت واکنشی نیز داشته باشد . بنابراین روشی که بتواند بطور هوشمندانه تناسب خوبی بین رفتارهای واکنشی و پیشفعال برقرار نماید، قادر خواهد بود قابلیت انطباق خوبی با محیط داشته و موفق عمل نماید . از طرفی با توجه به خصوصیات عاملها همچون خودمختاری، واکنشی، پیشفعالی، یادگیری و قابلیت استدلال، بطور قطع مساله طبقهبندی جریان داده - ها بستر مناسبی برای استفاده از قابلیتهای عاملها میباشد . در این مقاله روشی برای طبقهبندی جریان دادهها با استفاده از عامل ارائه گردیده است که در آن از خصوصیات عاملها استفاده شده است . در این روش عاملها قبل از وقوع تغییرات در جریان داده، بکمک استدلال و دانشی که از محیط بدست آوردهاند، تغییرات را پیشبینی کرده و بر اساس آن برنامهریزی میکنند . در صورتیکه رخدادهای پیشبینی شده اتفاق نیفتند، عامل متناسب با وضعیت فعلی از خود رفتار واکنشی نشان میدهد . این ویژگیها عامل را قادر میسازد که در محیط، یک رفتار هوشمند از خود نشان دهد . روش موردنظر بر روی مجموعه دادههای استاندارد که در اکثر کارهای انجام گرفته برای طبقهبندی جریان دادهها مورد استفاده قرار گرفتهاند، تست گردیده و نتایج حاصل از انجام آزمایشات نشاندهنده برتری استفاده از یک رفتار هوشمند پیشفعال نسبت به یک رفتار واکنشی میباشد

عامل، طبقهبندی، دادهکاوی جریان دادهها، رفتار پیشفعال، رفتار واکنشی