داده كاوي پويا با استفاده از عامل هوشمند
داده كاوي پويا با استفاده از عامل هوشمند
خلاصه مقاله:
امروزه بدليل حجم بسيار بالاي دادهها و نياز به پردازش و استخراج پوياي دانش موجود در دادهها، دادهكاوي جريان دادهها اهميت بسزايي يافته است . طبقهبندي جريان داده ها نيز يكي از مهمترين شاخه هاي داده كاوي است كه تاكنون روشهاي مختلفي براي آن ارائه گرديده است . اكثر اين روشها واكنشي عمل كرده و پس از وقوع تغيير مفهوم در جريان دادهها، مدل داده خود را با مفهوم جديد وفق ميدهند . از آنجائيكه در دنياي واقعي بسياري از رخدادها تكرار ميشوند بنظر ميرسدكه بتوان با استفاده از روش هاي يادگيري، تغييرات احتمالي در جريان دادهها را پيشبيني كرد . البته بدليل غيرقابل پيشبيني بودن برخي رخدادها لازم است كه روش ارائهشده، قابليت واكنشي نيز داشته باشد . بنابراين روشي كه بتواند بطور هوشمندانه تناسب خوبي بين رفتارهاي واكنشي و پيشفعال برقرار نمايد، قادر خواهد بود قابليت انطباق خوبي با محيط داشته و موفق عمل نمايد . از طرفي با توجه به خصوصيات عاملها همچون خودمختاري، واكنشي، پيشفعالي، يادگيري و قابليت استدلال، بطور قطع مساله طبقهبندي جريان داده - ها بستر مناسبي براي استفاده از قابليتهاي عاملها ميباشد . در اين مقاله روشي براي طبقهبندي جريان دادهها با استفاده از عامل ارائه گرديده است كه در آن از خصوصيات عاملها استفاده شده است . در اين روش عاملها قبل از وقوع تغييرات در جريان داده، بكمك استدلال و دانشي كه از محيط بدست آوردهاند، تغييرات را پيشبيني كرده و بر اساس آن برنامهريزي ميكنند . در صورتيكه رخدادهاي پيشبيني شده اتفاق نيفتند، عامل متناسب با وضعيت فعلي از خود رفتار واكنشي نشان ميدهد . اين ويژگيها عامل را قادر ميسازد كه در محيط، يك رفتار هوشمند از خود نشان دهد . روش موردنظر بر روي مجموعه دادههاي استاندارد كه در اكثر كارهاي انجام گرفته براي طبقهبندي جريان دادهها مورد استفاده قرار گرفتهاند، تست گرديده و نتايج حاصل از انجام آزمايشات نشاندهنده برتري استفاده از يك رفتار هوشمند پيشفعال نسبت به يك رفتار واكنشي ميباشد
كلمات كليدي:
عامل، طبقه بندي، دادهكاوي جريان داده ها، رفتار پيش فعال، رفتار واكنشي
|