دانلود رایگان ترجمه مقاله استفاده از روش محاسبات نرم (ساینس دایرکت – الزویر ۲۰۰۸)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

۳٫ بررسی اجمالی تکنیک‌های به‌کار گرفته
روش های زیر برای پیش‌بینی قابلیت اطمینان نرم‌افزار به‌کار می‌روند (۱) شبکه عصبی پس‌انتشار (BPNN)، (۲) شبکه‌های عصبی مبتنی بر آستانه-پذیرش-(TANN) (Ravi و Zimmermann، ۲۰۰۱)، (۳) شبکه پی-سیگما (PSN)، (۴) رگرسیون خطی چندمتغیره (MARS)، (۵) رگرسیون تعمیم شبکه عصبی (GRNN)، (۶) رگرسیون چند خطی (MLR)، (۷) سیستم استنتاج فازی عصبی پویا (DENFIS) و (۸) TreeNet. بنابه‌این‌که BPNN و MLR بسیار محبوب هستند، در اینجا مورد بحث قرار نگرفتند. همه اجزای باقی مانده از گروه به‌طور خلاصه در زیر بخش‌های بعدی توضیح داده شده است.

۳٫۱ شبکه‌های عصبی مبتنی‌بر آستانه پذیرش
آستانه‌ی پذیرش (TA)، در اصل توسط Dueck و Scheuer (1990) پیشنهاد شد که یک نوع سریع‌تر از الگوریتم اصلی ژنتیک بود که در آن پذیرش یک حرکت جدید یا راه‌حل توسط یک تعیین معیار قطعی به‌جای یک مقدار احتمالی انجام می‌گرفت. جنبه غالب TA این است که هر راه‌حل جدیدی را که خیلی بدتر از جریان فعلی نیست می‌پذیرد. مسئله‌ی دشوار در مواجه با الگوریتم آموزش براساس TA (Ravi و Zimmermann ، ۲۰۰۱، ۲۰۰۳؛ Ravi و همکارانش، ۲۰۰۵) برای شبکه عصبی رو به جلو این است که “پاس رو به جلو” از الگوریتم انتشار به عقب توزیع نشده است. اما، در پاس رو به عقب، که تمام وزن‌ها به‌روز می‌شود، TA به‌جای شدیدترین الگوریتمی در خطای پس‌انتشار استفاده می‌شود. در این زمینه، مجموعه وزن‌های شبکه عصبی (هر دو گره ورودی به پنهان و پنهان به خروجی) به بردار متغیرهای تصمیم‌گیری تبدیل می‌شوند. نویسنده دوم با TANN کدگذاری شده است.

۳٫۲ شبکه PI-Sigma (PSN)
شبکه پی-سیگما (PSN) در اصل توسط Shin و Ghosh پیشنهاد شد (۱۹۹۱). که یک شبکه رو به جلو با یک لایه‌ی پنهان است و در آن تعدادی از واحدهای پنهان (به‌عنوان “واحد جمع” نامیده می‌شود) نشان‌دهنده‌ی سفارش از شبکه هستند، که می‌تواند بسته به تنوع مورد نیاز باشند. در لایه‌ی خروجی واحدهای محصول وجود دارد که خروجی آن عملکرد محصول از واحد خروجی جمع است. در هر تکرار الگوریتم، تا زمانی که معیار همگرایی برآورده شود، یکی از واحدهای جمع به‌طور تصادفی انتخاب خواهد شد و وزن‌های مربوطه از لینک‌ها به آن گره‌هایی که بنا به قانون یکسانی به روز شده‌اند به قانون دلتا متصل می‌شوند.

۳٫۳ رگرسیون خطی چندمتغیره (MARS)
رگرسیون خطی چندمتغیره (MARS) بود توسط فریدمن معرفی شده است (۱۹۹۱). MARS یک ابزار مدل‌سازی نوآورانه و انعطاف‌پذیر است که ساختمان مدل‌های پیش‌بینی مستمر و دقیق و متغیرهای وابسته باینری را به‌صورت خودکار به‌کار می‌گیرد. که در پیدا کردن تحولات و تعاملات متغیر بهینه و ساختار داده‌های پیچیده که اغلب در داده‌های چندبعدی پنهان هستند برتری دارد. برای انجام این طرح، رویکرد جدیدی برای مدل رگرسیون، به‌طور موثر الگوهای داده‌های مهم و روابطی که مشکل هستند آشکار می‌کند و اگر غیرممکن نباشد، برای روش‌های دیگر نیز نشان می‌دهد. MARSکه در این مقاله مورد استفاده قرار گرفته است در این لینک دردسترس است (http://salford-systems.com/).

۳٫۴ رگرسیون شبکه‌های عصبی تعمیم یافته (GRNN)
Specht در (۱۹۹۱) GRNN را معرفی کرد. می‌توان آن را به‌عنوان یک شبکه‌ی تابع شعاع پایه‌ای نرمال (RBF) در واحد پنهان که در هر مورد آموزش وجود دارد تصور کرد. واحدهای RBF ” kernel ” نامیده می‌شوند و معمولا تابع چگالی احتمال مانند گاوس هستند. وزن‌های پنهان-خروجی فقط مقادیر هدف هستند، بنابراین خروجی یک میانگین وزنی از مقادیر هدف نزدیک به موارد آموزش داده شده در ورودی داده هستند. تنها وزنی که نیاز به یادگیری دارد عرض واحدهای RBF است. این عرض‌ها (اغلب عرض تنها استفاده می‌شود) به‌نام ” پارامتر ساده ” یا ” پهنای باند ” نامیده می‌شوند و معمولا توسط اعتبار متقاطع یا با روش‌های باطنی که در شبکه عصبی به خوبی شناخته شده نیست انتخاب می‌شوند. گرادیان نزولی استفاده نمی‌شود. GRNN یک تخمین کننده‌ی جهانی برای توابع ساده است، بنابراین باید قادر به حل هر تابع تقریب ساده با داده‌های به‌اندازه کافی باشد. ایراد اصلی GRNN آن است که مثل روش هسته، به‌شدت از ضعف ابعاد رنج می‌برد. GRNN نمی‌تواند ورودی بی‌ربط به الگوریتم اساسی را بدون تغییرات عمده نادیده بگیرد. GRNN موجود در MATLAB 6.5 در این مقاله استفاده شده است.

TreeNet 3.5
TreeNet توسط فریدمن (۱۹۹۹) معرفی شد. که از یک مفهوم جدید ” یادگیری فوق‌العاده آهسته ” در لایه‌هایی که در آن اطلاعات به‌تدریج به ساختار داده‌ها تبدیل می‌شوند استفاده می‌کند. مدل TreeNet معمولا متشکل از صدها درخت کوچک است، که هر کدام فقط یک تنظیم کوچک به مدل کلی است. TreeNet به خطاهای داده حساس است و نیاز به هیچ پیش پ ردازش وقت‌گیر و یا انتساب ارزش از دست رفته‌ای ندارد. TreeNet به تمرین مقاوم است و از یک شبکه عصبی سریع‌تر است. TreeNet موجود در (http://salford-systems.com/) در این مقاله استفاده شده است.

۳٫۶ سیستم استنتاج عصبی-فازی پویا (DENFIS)
DENFIS توسط Kasabov (2002) معرفی شد. DENFIS از طریق افزایش، آموزش هیبریدی (تحت نظارت/بدون نظارت) تکامل یافته است و با داده‌های ورودی جدیدی تطابق یافته است، از جمله ویژگی‌های جدید، کلاس‌های جدید و غیره، از طریق تنظیم عنصر محلی است. قوانین فازی جدید ایجاد شده و در طول بهره‌برداری از سیستم به روز شده‌اند. در هر زمانی، خروجی DENFIS از طریق یک سیستم استنتاج فازی براساس قوانین فازی فعال، که به صورت پویا از یک مجموعه فازی انتخاب شده است محاسبه‌ می‌شود. مجموعه‌ای از قوانین فازی را می‌توان قبل از داده و یا در طول فرایند یادگیری به DENFIS داد. قوانین فازی همچنین می‌توانند در طول یا پس از فرایند یادگیری استخراج شوند. DENFIS موجود در نسخه‌ی دانش‌آموز که از ابزار NEWCOM (www.aut.ac.nz) به‌دست آمده در این مقاله استفاده شده است.

۴٫ مدل‌های پیش‌بینی گروه
ایده‌ی پشت سیستم گروه، بهره برداری از ویژگی‌های منحصربه‌فرد برای تشکیل الگوهای مختلف است که در مجموعه داده وجود داشته باشد. هر دو نتایج نظری و تجربی نشان می‌دهد که می‌تواند یک راه موثر و کارآمد به‌منظور بهبود دقت باشد. Bates و Granger (1969) در کار خود نشان دادند که ترکیب خطی تکنیک‌های مختلف خطای واریانس کوچکتری از هر تکنیک در حالت مستقل دارد. از آن به بعد، بسیاری از محققان بر روی گروه و یا پیش‌بینی ترکیب کار می‌کنند. Makridakis و همکارانش (۱۹۸۲) ترکیب چندین مدل رایج در بهبود دقت پیش‌بینی را ارائه کردند. سپس، Pelikan و همکارانش (۱۹۹۲) ترکیب چند شبکه‌‌ی عصبی رو به جلو به‌منظور بهبود دقت زمان پیش‌بینی و صحت پیشنهاد کردند. برخی از تکنیک‌های گروه برای پیش‌بینی مشکلات با متغیر وابسته شامل گروه خطی (به‌عنوان مثال، میانگین ساده؛ Benediktsson و همکارانش، ۱۹۹۷)، وزن متوسط (Perrone و Cooper، ۱۹۹۳) و رگرسیون انباشته (Breiman، ۱۹۹۶) و گروه غیرخطی (به‌عنوان مثال، شبکه عصبی مبتنی بر گروه غیرخطی (Yu و همکارانش، ۲۰۰۵)) هستند.
Hansen و همکارانش (۱۹۹۲) گزارش دادند که تعمیم توانایی یک سیستم شبکه عصبی می‌تواند به طور قابل توجهی بااستفاده از مجموعه‌ای از شبکه‌های عصبی بهبود یابد. هدف رسیدن به بهبود کلی دقت بر روی داده‌های تولید شده است. به‌طورکلی، برای طبقه‌بندی مشکلات، یک سیستم گروه، تصمیم‌گیری طبقه‌بندی منحصربه‌فرد را به‌طور معمول توسط رای اکثریت برای طبقه‌بندی نمونه‌های جدید ترکیب می‌کند. ایده اصلی، آموزش مجموعه‌ای از مدل‌ها (کارشناسان) و اجازه به رای‌دهی آن‌ها است. در طرح رای اکثریت، تمام مدل‌های منحصربه‌فرد اهمیت مساوی دارند. یکی دیگر از مدل‌های ترکیب از طریق رای‌گیری وزن‌دار است، که در آن مدل‌های منحصربه‌فرد از اهمیت نابرابری برخوردار هستند. که با اتصال برخی از وزن‌ها به پیش‌بینی داده شده توسط مدل منحصربه‌فرد و سپس ترکیب آنها همراه است. Olmeda و Fernandez (1997) یک سیستم گروه بر اساس الگوریتم ژنتیک ارائه کردند، که در آن GA ترکیب بهینه از مدل‌های فردی را به‌طوری‌که به حداکثر دقت برسند تعیین می‌کند. Zhou و همکارانش (۲۰۰۲) یک مطالعه دقیق بر روی شبکه‌های عصبی گروه انجام دادند و پیشنهاد دادند که استفاده از مجموعه‌ای از شبکه عصبی بهتر از استفاده از تمام شبکه‌های عصبی است. آنها یک روش پیشنهاد دادند که می‌تواند برای انتخاب شبکه‌های عصبی برای تبدیل شدن به بخشی از گروه مجموعه‌های موجود در شبکه‌های عصبی مورد استفاده قرار گیرد.
الگوریتم ژنتیک برای نسبت دادن وزن به اجزاء شبکه‌ مورد استفاده قرار گرفت.
به‌طورکلی موردی است که برای یک مجموعه داده از روش هوشمند بهتر است و زمانی‌که یک مجموعه داده مختلف مورد استفاده قرار می‌گیرد به‌طورکامل نتایج می‌تواند مخالف باشد. به‌منظور از دست ندادن کلیت و همچنین ترکیب مزایای استفاده از تکنیک‌های هوشمند، گروه، از خروجی تکنیک مستقل هوشمند با هر سطح اولویت خاصی استفاده می‌کند و با کمک یک داور خروجی را فراهم می کند.
یک گروه از خروجی به دست آمده از ترکیبات فردی به‌عنوان ورودی استفاده می‌کند و داده‌های با توجه به طراحی داور پردازش می‌شود. چهار نوع مختلفاز گروه‌ها طراحی و مانند شکل ۱ و ۲ به‌کار برده می‌شود. این خدمات عبارتند از (۱) گروه خطی براساس میانگین، (۲) گروه خطی براساس میانگین وزنی، (۳) گروه خطی براساس میانه وزن و در نهایت (۴) یک گروه غیرخطی در BPNN است. این گروه‌ها به‌طور خلاصه به شرح زیر است.