ارائه یک عامل با معماری BDI برای داده کاوی پویا

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,809

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ACCSI13_071

تاریخ نمایه سازی: 25 آبان 1386

چکیده مقاله:

امروزه بدلیل پویایی و عدم امکان ذخیرهسازی دادهها، طبقه- بندی جریان دادهها مورد توجه بسیار قرار گرفته است . از مهمترین مباحث موجود در این زمینه، بحث مدیریت تغییر مفهومهای موجود در جریان دادهها میباشد. اکثر روشهای ارائه شده تا کنون سعی می کنند پس از وقوع تغییر مفهوم، مدل داده خود را با مفهوم جدید در کمترین زمان ممکن وفق دهند. از آنجائیکه در دنیای واقعی بسیاری از رخدادها تکرار میگردند، بنظر می رسد که بتوان با یک رفتار هوشمند، تغییرمفهومهای احتمالی را پیشبینی کرد. البته بدلیل غیرقطعی بودن دنیای واقعی لازم است که قابلیت عکس العمل واکنشی نیز در نظر گرفته شود. لذا روشی که بتواند بطور هوشمندانه تناسب خوبی بین رفتارهای واکنشی و پیشفعال (پیشگویانه) برقرار نماید، قادر خواهد بود قابلیت انطباق خوبی با محیط داشته باشد. با توجه به خصوصیات عاملها همچون واکنشی، پیشفعالی، یادگیری، بطور قطع مساله طبقه بندی جریان دادهها بستر مناسبی برای استفاده از قابلیتهای عامل میباشد . در این مقاله ر وشی برای طبقهبندی جریان دادهها به کمک عامل ارائه گردیده است که در آن از خصوصیات مذکور استفاده شده است . این روش بر روی مجموعه دادههای استاندارد تست گردیده و نتایج حاصل از آزمایشات نشاندهنده برتری استفاده از یک رفتار هوشمند نسبت به یک رفتار واکنشی محض میباشد.

کلیدواژه ها:

عامل ، طبقه بند ی جریان داده ها ، تغییرمفهوم ، رفتار پیشفعال ، رفتار واکنشی

نویسندگان

حسین مرشدلو

دانشجوی کارشناسی ارشد نرمافزار آزمایشگاه سیستمهای هوشمند دانشگاه ص

احمد عبدالله زاده بارفروش

عضو هیت علمی دانشکده مهندسی کامپیوتر آزمایشگاه سیستمهای هوشمند دان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Weiss, G., Multiagent Systems: A Modern Approach to Distributed Artificial ...
  • Stanley, K.O., Learning concept drift with a committee of decision ...
  • Widmer, G. and Kubat, M., "Learning in the presence of ...
  • S., *Mining Data Streams: A Review, ACM SIGMOD Record, Vol. ...
  • Y ang, Y., Wu, X. and Zhu, X., *Mining in ...
  • Demand Classification of Data Streams , Proc. 2004 Int. ...
  • Conf. on Knowledge Discovery and Data Mining, Seattle, WA, Aug. ...
  • Ding, Q. and Perrizo, W., ،Decision Tree Classification of Spatial ...
  • Domingos, P. and Hulten, G., *Mining High-Speed Data Streams , ...
  • Computing Machinery Sixth International Conference on Knowledge Discovery and Data ...
  • Hulten, G., Spencer, L. and Domingos, P., *Mining time- changing ...
  • Kolter, J.Z. and Maloof, M.A., *Dynamic weighted majority: A rew ...
  • Street, W.N. and Kim, Y., *A streaming ensemble algorithm (sea) ...
  • Conference on Knowledge Discovery and Data Mining, pp. 377-382, 2001. ...
  • Wang, H., Fan, W., Y u, P. and Han, J., ...
  • Discovery and Data Mining (SIGKDD), Washington DC, USA, Aug. 2003. ...
  • نمایش کامل مراجع