تحقیق در مورد ارائه یک سیستم خبره

لینک دانلود و خرید پایین توضیحات

دسته بندی : وورد

نوع فایل :  .doc ( قابل ویرایش و آماده پرینت )

تعداد صفحه : 14 صفحه

 قسمتی از متن .doc : 

ارائه یک سیستم خبره جهت کاریابی برای افراد بیکار

چکیده :

این مقاله یک ES را برای ارزیابی افراد بیکار در خصوص پستهای معین نشان می دهد این خبره از تکنیکهای Neuro –Fuzry برای تجزیه و تحلیل یک پایگاه داده ها از افرادبیکار و بنگاهههای کاریابی استفاده می کنند فرآیند انطباق یک فرد بیکار با یک کار پیشنهاد شده انجام می شود از طریق یک ...........از سیستم Neuro –Fuzry مجموعه های ازمایشات گسترده تاریخچه ای از داده های افراد بیکار (که متعلق به یک کلاس اجتماعی هستند) پستهای متعددی را می پذیرند یا رد می کنند.

{ آزمایشات گسترده نشان می دهند که مجموعه های افراد بیکار (که به یک کلاس اجتماعی تعلق دارند) پستهای متعددی را می پذیرند یا رد می کنند.} که در این پروژه استفاده می شود جهت تعیین اوزان پارامتر های سیستم.

مثالهای جدید از Case هایی رسیده از قبول یا رد یک موقعیت بعنوان یک بخش از مجموعه آموزشی در نظر گرفته می شوند. آزمایشات مجدد بعد از دستیابی به یک میزان استاندارد از حالتهای از حالتهای جدید موجود بدست می آید .

خروجی سیستم یک میزانی از مناسب بودن هر فرد بیکار جهت یک کار معین می باشد.

معرفی :

یکپارچه سازی شبکه های عصبی و فازی منطقی سبب بوجود آمدن یکسری از سیستم ها تصمیم گیری خبره بسیار قوی شده است. در سالهای اخیر، دامنه مورد مطالعه از فرآیند شبکه های عصبی بصورت گسترده و قابل توجه ای در حال افزایش می باشد. بعلاوه یک میزان موفقیت در استفاده از سیستم های خبره تلفیق بصورت قابل ملاحظه ای افزایش یافته است در بسیاری از زمینه ها مانند طرح ها، درک زبان عصبی، روباتیک ، تشخیص ها بیماری، تشخیص عیب یابی ابزار آلات صنعتی، آموزش، توصیه یابی و بازیابی اطلاعات. بهر حال در مورد کاریابی خبره ادبیات موضوعی مشخصی در گذشته وجود ندارد. فرآیند انطباق یک فرد بیکار با یک شغل مشخص بندرت احتیاج به مطالعات ساختاری بسیار عمیق و هدف یابی کامل نسبت به یک روش Boolean matchin metchal که استفاده می کنند از یک صفحه web مانند A beater tast Europ's career market on the ) انتخاب جداگانه افراد واجد شرایط برای پستهای مختلف یک کار بسیار مشکل می باشد چه در شرکتهای بزرگ چه در شرکت های کوچک و نیاز به سیستمهای تصمیم گیری خبره دارد. نرم افزارSkills Analyzer tod (labate & Meds keys 1993) طراحی شده است برای حل مسائل مدیریتی که کلاس بندی کارمندان به گروههای مختلف را محور کار خود قرار می دهد و ترکیبی از شبکه های عصبی و آنالیزهایی برمبنای قانون را به منظور تقسیم کارمندان شرکت به گروههای کاری مختلف مورد استفاده قرار می دهد.

سیستم فوق یک سیستم خبره است هر چند تکنیک های تلفیقی مورد استفاده آن قدیمی تر می باشند.

تکنیکهای collaboration filtering در نرم افزار Casper (1) جهت بوجود آمدن موتور جستجوی مبتنی بر هوش مصنوعی بوجود آمد. سیستم Casper بر روی زیر سیستمهایی که ذیلا آورده می شوند تمرکز می نماید

1- یک سیستم مشخصه کاربر که یک پایگاه داده از مشخصات رفتاری فرد را بوجود می آورد درون سایت کاریابی که شامل یک موتور فیلترینگ مکانیزه توصیه سرویس ها و یک موتور برای جستجوی فردی می باشد.

2- تکنولوژی سرویس متحرک (2) که بعنوان EMA شناخته می شود یک سرویس توصیه فعال شمرده می شود و در جهت بوجودآوری اطلاعات بر اساس نیاز یا جایی که توجه به کارهای مرتبط می شود برای یک کاربر خاص استفاده می گردد.

متدهایی که بوسیله Casper و EMA استفاده شده است در زمینه توصیه و پدیدآوری اطلاعات می تواند بسیار با موفقیت زیادی در پدیدآوری اطلاعات استفاده شود.

هر چند چنین سیستم هایی خبره نیستند و هیچ مورد واقعی ای در زمینه کاریابی خبره به حساب نمی آیند. آموزش مجدد بر اساس رد نهایی و یا قبول نهایی استفاده کاربر بوسیله بنگاه ها یک نکته حساس می باشد و نمی بایست نادیده گرفته شود. کم نیستند موردهای توصیه شده که با درصدهای بالا یا متوسط توصیه شده اند ولی در یک مصاحبه معمولی رد شده اند توصیه گرهای خبره و سیستمهای پدید آوری آموزش را تضمین نمی کنند و باید بعنوان یک پایگاه داده اطلاعات کار در نظر گرفته شوند نه به عنوان یک کاریابی واقعی ساختار کنونی مقاله که در قسمت 2 آورده می شود معماری

پاورپوینت در مورد سیستم های خبره

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 25 اسلاید

 قسمتی از متن .ppt : 

به نام خدا

سیستم های خبره

Expert Systems

1

تفاوت برنامه های معمولی و برنامه های سیستم خبره

2

برنامه های معمولی

Data Processor هستند

نیاز به برنامه نویسی دارند.

برنامه های سیستم خبره

Knowledge Processor هستند

نیاز به مهندسی دانش دارند.

برنامه نویسی در مقایسه با مهندسی دانش:

3

برنامه نویسی (فرایند تولید برنامه ) سه گام دارد:

طراحی (Design)

کدنویسی (Code)

اشکال زدایی (Debug)

مهندسی دانش: به فرایند ساخت یک سیستم خبره مهندسی دانش گوییم.

ایجاد یک سیستم خبره یک فرایند تکراری است بطوری که مراحل مختلف آن طی پروژه تکرار میشود. یعنی طراح قسمتی از سیستم را میسازد و تست میکند و پس از آن دوباره سیستم را توسعه و بهبود می بخشد.

فازهای مهندسی دانش ( شش فاز )

4

پاورپوینتی در مورد سیستم های خبره

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 25 اسلاید

 قسمتی از متن .ppt : 

به نام خدا

سیستم های خبره

Expert Systems

1

تفاوت برنامه های معمولی و برنامه های سیستم خبره

2

برنامه های معمولی

Data Processor هستند

نیاز به برنامه نویسی دارند.

برنامه های سیستم خبره

Knowledge Processor هستند

نیاز به مهندسی دانش دارند.

برنامه نویسی در مقایسه با مهندسی دانش:

3

برنامه نویسی (فرایند تولید برنامه ) سه گام دارد:

طراحی (Design)

کدنویسی (Code)

اشکال زدایی (Debug)

مهندسی دانش: به فرایند ساخت یک سیستم خبره مهندسی دانش گوییم.

ایجاد یک سیستم خبره یک فرایند تکراری است بطوری که مراحل مختلف آن طی پروژه تکرار میشود. یعنی طراح قسمتی از سیستم را میسازد و تست میکند و پس از آن دوباره سیستم را توسعه و بهبود می بخشد.

فازهای مهندسی دانش ( شش فاز )

4

مقاله درمورد سیستم های خبره

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 10

سیستم های خبره

- خلاصه

سیستم‌های خبره شاخه‌ای از علم نسبتاً جدید هوشی مصنوعی می‌باشند.

Charmonand king / 1985 , keller / 1987 , rouch – hindin / 1985 , bonnet / 1985 rouch – hindin 1986 (a) , rauch – hindin /1986 (b) ,

charniackandmcdermon 1985 watermun/ 19876

و این سیستم ها در سطوح دستیاری ، مشاوره و تخصص عمل می‌کنند ( شکل 1)

شکل 1-هوش مصنوعی و شاخه های ان

سیستم‌های خبره برای تقلید عملکرد یک فرد متخصص و خبره در برخورد با یک مسئله خاص طراحی شده‌اند. به عنوان مثال سیستم‌های خبره موجود در شرکت دو پونت (Dupont) در زمینه انتخاب فرآورده‌های شیمیایی با توجه به نیاز مشتریان ، عیب یابی تجهیزات و زمان بندی عملیات ماشین‌های موجود در واحدهای تولیدی مربوطه به کار گرفته می شوند. این سیستم‌ها در جاهای دیگر در زمینه‌های تخصصی اطلاع رسانی ، مدیریت فروشی ، انتخاب روش‌های مخابراتی و جمع آوری اطلاعات ، پیکربندی سیستم‌های کامپیوتر ( سخت افزاری ) عیب یابی و تعمیر خطوط تلفن و شاخه‌های مختلف برنامه ریزی و تصمیم‌گیری به کار گرفته می‌شوند ( 1982 / mockloer )

سیستم خبره ، کاربر را قادر به مشاوره با سیستم‌های کامپیوتری در مورد یک مسئله و یافتن دلایل بروز مسئله و راه‌حل‌های آن می‌کند در این حالت مجموعه‌ی سخت افزار و نرم افزار تشکیل دهنده سیستم خبره اقدام به طرح سوالات مختلف و دریافت پاسخ‌های کاربر ، مراجعه به پایگاه دانش ( تجربیات قبل ) و استفاده از یک روش منطقی برای نتیجه گیری و نهایتاً ارائه راه حل می‌نمایند. همچنین سیستم خبره قادر به شرح مراحل نتیجه‌گیری خود تا رسیدن به هدف و چگونگی نتیجه گیری و دلیل مطرح شدن یک سوال اجرایی در روش حرکت تا رسیدن به هدف خواهد بود.

به طور کلی می‌توان گفت روش سیستم خبر تقلید از انسان در مواردی است که نیاز به تجربه برای تصمیم گیری باشد.

- کاربر سیستم‌های خبره

به طور کلی می‌توان کاربردهای سیستم خبره را به صورت زیر دسته بندی کرد :

ارائه پیشنهادات و توصیه‌های کارشناسانه ، و تخصصی برای افراد غیر متخصص ( از طریق پرسش و پاسخ )

یاری رساندن به افراد متخصص ،( جمع آوری اطلاعات مبتنی بر مشاهدات یا ارزیابی و تحلیل موقعیت ، کنترل موارد فراموش شده )

جایگزینی افراد متخصص به هنگام غیبت ، عدم دسترسی به دلیل هزینه سنگین و عدم توانایی کار به دلیل شرایط خطرناک محیطی ( ارزیابی موقعیت‌ها با توانایی استنباط و نتیجه گیری و استفاده از پایگاه دانش و اطلاعات )

استفاده به عنوان یک ابزار آموزشی ،( با استفاده از پایگاه دانش و موتور استنباط گر)

همچنین از دیدگاهی دیگر می‌توان استفاده از سیستم‌های خبره را به دلایل زیر مورد توجه قرار داده :

دستیابی به تخصص ، بدست آوردن پایگاهی از دانش و روش‌های تحلیلی برای دستیابی به راه حل مسائل بلقوه ، دلیل توسعه سیستم خبره می‌باشد.

کاستن ریسک حاصل از خطاهای انسانی ، خستگی ، فراموشی ، بیداری ، فشارهای روانی و عوامل مشابه دیگر منابع بلقوه وقوع خطا و سوء عملکرد یا نتیجه گیری نادرست افراد متخصص می‌باشند. سیستم‌های کامپیوتری با حذف این عوامل ریسک حاصل از عملکرد ناموزون در سطوح تصمیم گیری را به حداقل ممکن کاهش داده یا در مواردی به طور کلی حذف می‌کنند.

برای مرتبط کردن حجم وسیعی از اطلاعات ضروری مورد نیاز ، در این زمینه می‌توان از کاربردهایی مانند تشخیص مشکلاتی که باعث توقف کار می‌گردند ، تشخیص مکان خرابی یا ضعف در ماشین آلات ، تجهیزات و یا محصولات تولیدی ، تشخیص دلیل وقوع مسائل در یک سیستم کنترل فرایند ، یاری رساندن در امر بازاریابی در شرایط رقابتی ، مشاوره در تدوین استراتژی‌ها و توصیه‌های مربوط به تأمین موجودی‌ها و مدیریت کالای انبار ، نام برد.

- مشخصات سیستم‌های پشتیبانی خبره

سیستم‌های خبره دارای مشخصه های مخصوص به خود می باشند که آنها را از دیگر سیستم‌های کامپیوتری مجزا می‌سازند. این مشخصات را می‌توان به شکل زیر دسته بندی کرد :

- سیستم‌های خبره بر دانش متمرکز شده‌اند – انواع مختلف داده‌ها را مورد استفاده قرار می‌دهند. از روش‌های ابداعی و حسی استفاده می‌کنند - از توان برهان آوردن استفاده می‌کنند – دلیل و برهان را تشریح می‌کنند – در مواردی که داده‌ها از دست رفته باشد نیز کار می‌کنند. - در مواردی که شک و ابهام نیز وجود داشته باشد ، کار می‌کنند – بر دامنه محدود و خاصی متمرکز شده‌اند.

سیستم‌های خبره بر خلاف سیستم‌های اطلاعاتی که بر روی داده‌ها (Data) عمل می‌کنند ، بر دانش (Knowledge) متمرکز شده‌اند. همچنین در یک فرآیند نتیجه گیری ، قادر به استفاده از انواع مختلف داده‌ها ) عددی Digital ، نمادی symbolic و مقایسه‌ای Analog) می‌باشند. یکی دیگر از مشخصه‌های این سیستم‌ها استفاده از روش‌های ابداعی (Heurestic) به جای روش‌های الگوریتمی می‌باشد این توانایی باعث قرار گرفتن محدوده وسیعی از کاربردها و برد عملیاتی سیستم‌های خبره می‌شود. فرآیند نتیجه گیری در سیستم‌های خبره بر روش‌های استقرایی و قیاسی پایه گذاری شده است. از طرف دیگر این سیستم‌ها می‌توانند دلایل خود در رسیدن به یک نتیجه گیری خاص و یا جهت و مسیر حرکت خود به سوی هدف را شرح ‌دهند. با توجه به توانایی این سیستم‌ها در کار در شرایط فقدان اطلاعات کامل و یا وجود درجات مختلف اطمینان در پاسخ به سوالات مطرح شده ، سیستم‌های خبره کاندیدای مناسبی برای کار در شرایط عدم اطمینان (uncertainty) و یا محیط های چند وجهی می‌باشند. آخرین مشخصه‌ این سیستم‌ها تمرکز بر دامنه عملیاتی محدود می‌باشد. از لحاظ تئوری این سیستم‌ها قابلیت کار در تمام زمینه‌های علوم را دارند ، ولی این کار به دلایل واضح و روشن مانند هزینه‌های بالا و گستردگی زمینه‌های ،تحصصی و استقلالی نسبی رشته‌های علمی از یکدیگر امکان پذیر نمی‌باشد. به همین دلیل برای بهره برداری و کارایی بیشتر ، هر سیستم خبره در زمینه خاص تعریف شده و محدوده خاص را در دامنه فعالیت خود قرار می‌دهد.

- اجزاء سیستم خبره

سیستم‌های خبره دارای اجزاء زیر هستند : پایگاه دانش – موتور استنباطی – امکانات دستیابی به دانش – امکانات تفسیرگر ،شکل 2 اجزاء یک سیستم خبره در رابطه با یکدیگر را نمایش می‌دهد.

تحقیق درباره یک سیستم خبره فازی – عصبی برای تشخیص (ترجمه شده)

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 27

یک سیستم خبره فازی – عصبی برای تشخیص

چکیده:

منطق فازی،یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند.با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند ، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی میکند که از داده های نمونه یاد گرفته و این اجازه را می دهد که قوانین فازی برای دانش پایه را استخراج کنیم.تشخیص electroencephalograms با تفسیر عناصر نموداری بعنوان یک نوع مشاهده در روش ما بکار گرفته می شود. نتایج اولیه نشان دهنده احتمالات مورد نظر با استفاده از روش ما می باشد.

1- مقدمه:

روشهای تکراری شناسایی و ارزیابی پدیده خاص را کار تشخیصی می نامند ،که یکی از کاربردهای اصلی برای هوش مصنوعی (AI) می باشد. با توجه به اینکه رنج وسیعی از چنین کاربرهای تشخیصی وجود دارد . اگرچه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد ولی این بخش مورد توجه استفاده کنندگام از هوش مصنوعی قرار دارد. عمومی ترین روشهای AI در بخش پزشکی مبتنی بر دانش و مدلسازی رفتار تشخیصی متخصصان است . انواع مختلفی از چنین سیستمهای خبره ای از زمانی که SHRTLIFFE روش SHRTLIFFE MYCIN را بعنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی و معرفی کرد ، بوسیله پزشکان مورد استفاده قرار گرفته است. یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب ، گردآوری و دانش پایه آن است. ما روش جدیدی را معرفی میکنیم که در آن دانش پایه با منبع دوگانه بوسیله یادگیری قیاسی واستقرایی ایجاد می شود. شیکه های عصبی نیز از این راه برای تشخیص استفاده میکنند . آنها قادرند رابطه بین مجموعه داده ها را با داشتن اطلاعات نمونه که نشاندهنده لایه های ورودی و خروجی آنها است ،یاد بگیرند. در حوزه تشخیص الگو در داده های پزشکی ، شبکه های عصبی زیر بنای روشهایی است که باعث دستیابی به نتایج قابل توجهی شده اند. برای انجام وظیفه چمع آوری دانش پایه که بخشی از روش ترکیبی ما است ، شبکه های عصبی جدیدی معرفی شده اند. منطق فازی که در علوم پزشکی نیز ظاهر شده اند ، با توضیحات شفاهی مبهم سروکار دارند. واژه هایی همانند کم ، زیاد یا احتمالاً برای مدلسازی با استفاده از روشهای منطقی مرسوم ،دشوار هستند. متغیرهای زبانی معرفی شده بوسیله توضیحات فازی ، توضیحات شبه گفتاری نزدیک به گفتارهای یک شخص طیبعی است. تمامی روشهای بالا دارای مزایا و معایبی هستند که در بخش 2 توضیح داده خواهند شد. ترکیب این روشها نه تنها باعث افزایش مزیتها آن می شود بلکه باعث حذف برخی از نقاط ضعف آنها نیز میشود. تاکنون فقط چند روش در تشخیص پزشکی ، روشهای چندگانه هوش مصنوعی را با هم ترکیب کرده اند، که البته با مدلسازی یک پروسه تشریحی پزشکی به نتایج خوبی هم رسیده اند.

اگر چه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد این بخش جزواستفاده کنندگان بلقوه هوش مصنوعی هستند .عمومی ترین روشهای AI در بخش پزشکی سیستمهای مبتنی بر دانش ومدل سازی رفتار تشخیص متخصصین است .انواع مختلفی از چنین سیستمهای خبره ای از زمانی که Shortliffe روش MYCIN Shortliffe را بعنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی ومعرفی کرد ،بوسیله پزشکان مورد استفاده قرار گرفته است .یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب گردآوری ودانش پایه آن است .ما روش جدیدی را معرفی می کنیم که در آن یک دانش پایه با منبع دوگانه بوسیله یادگیری استنتاجی واستقرایی ایجاد میشود .شبکه های عصبی نیز از این راه برای تشخیص استفاده می کنند. آنها قادرند روابط بین مجموعه داده هارا با داشتن اطلاعات نمونه که نشاندهنده لایه های ورودی وخروجی آنها است ،یاد بگیرند.

در حوزه تشخیص الگودر دادهای پزشکی ،شبکه عصبی زیر بنای روشهایی است که باعث دستیابی به نتایج قابل توجهی شده اند .برای انجام وظیفه جمع آوری دانش پایه که بخش از روش ترکیبی ما است ،شبکه های عصبی جدیدا معرفی شده اند منطق فازی که در علوم پزشکی نیز ظاهر شده است ،با بیانات شفاهی نا مشخص سر وکار دارد .واژه هایی همانند زیاد ،کم یا احتمالا برای تبدیل شدن به مدل با استفاده از منطق مرسوم سخت هستند .متغیر های زبانی معرفی شده بوسیله بیانات فازی توضیحات شبه زبانی (گفتاری)نزدیک به گفتارهای یک شخص طبیعی است .تمامی روشهای بالا دارای مزایا ومعایبی هستند که در بخش 2 توضیح داده خواهند شد .ترکیب این روشها نه تنها باعث افزایش مزیتهای آن ها می گرددبلکه باعث حذف برخی از معایب آنها نیز میشود .تاکنون فقط چند روش در تشخیص پزشکی ،روشهای چند گانه هوش مصنوعی را با هم ترکیب کرده اند ،که البته با مدلسازی یک پروسه تشریحی پزشکی به نتایج خوبی هم رسیده اند .

در اینجا ما سیستم ترکیبی را توضیح خواهیم داد که شامل یک سیستم خبره فازی برای استنتاج مبتنی بر قانون همراه با یک شبکه عصبی فازی برای کسب دانش مبتنی بر مورد علاوه بر دانش مبتنی بر توضیحات یک فرد خبره می باشد . (بخش 3) دریافت خودکار قوانین توسط شبکه به موازات قانونمند کردن قوانین تجربی اجرا می شود . برای سیستم ترکیبی دو حالت برای پردازش نتایج وجود دارد : یک مود یادگیری برای تغذیه دانش پایه و مود اجرایی برای تشخیص اطلاعات بیمار . تمامی اجزای سیستم بر پایه نمایش فازی استوار هستند که بعنوان یک رابط شخص بین اجزا و فازی کردن اطلاعات ورودی ضروری عمل می کنند . از زیر بخش

2-3 یک تکنیک نقشه زیری بسیار موثر معرفی خواهد شد که متغیرهای فازی را به علائم عصبی تبدیل می کند . برای مشاهده پردازش اطلاعات واقعی پزشکی در چنین سیستمی ، ما از تشخیص های electroenephalograms(EEGs) را برای نشان دادن استفاده می کنیم . این نوع از اطلاعات پزشکی که به صورت الکترونیکی اندازه گیری و ذخیره شده است ، برای پردازش خودکار بسیار مناسب هستند زیرا نیازی به تبدیل به علائم الکترونیکی ندارند . سایر انواع اطلاعات نیز برای تشخیص در سیستم ها مناسب هستند . ما سیستم خودمان را سوای از کاربردهای احتمالی و هدف عنوان شده توسط MC Clelland توضیح خواهیم داد . بنابراین برای نشان دادن چند گانگی پدیده و برای هر پدیده به 8 نرون نیاز است . از آنجایکه تعداد