فهرس المقالات منطق فازي

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - برتري روش خوشه‌بندي C- ميانگين فازي در بيان توزيع رخساره‌هاي هيدروشيمي آب زيرزميني دشت ورامين
  محمد  نخعي مهدي  تلخابي ميثم  وديعتي
  در پژوهش حاضر، خوشه‌بندي مجموعه‌اي از داده‌هاي هيدروشيمي دشت ورامين با استفاده از روش‌هاي خوشه‌بندي C- ميانگين فازي (FCM) و تحليل خوشه سلسله مراتبي (HCA) انجام شده و کاربرد آن‌ها در تغييرات رخساره‌هاي هيدروشيمي بحث گرديد. نمونه‌هاي آب زيرزميني با استفاده از بهينه کردن ت أکثر

  در پژوهش حاضر، خوشه‌بندي مجموعه‌اي از داده‌هاي هيدروشيمي دشت ورامين با استفاده از روش‌هاي خوشه‌بندي C- ميانگين فازي (FCM) و تحليل خوشه سلسله مراتبي (HCA) انجام شده و کاربرد آن‌ها در تغييرات رخساره‌هاي هيدروشيمي بحث گرديد. نمونه‌هاي آب زيرزميني با استفاده از بهينه کردن تعداد خوشه و درجه فازي شدگي با استفاده از روش C- ميانگين فازي به سه گروه طبقه‌بندي شدند. از داده‌هاي آب زيرزميني ۹۰ نمونه چاه عميق و نيمه عميق و ۹ متغير هيدروشيمي منطقه موردمطالعه استفاده شد. نتايج اين دو روش، مراکز خوشه را توليد مي‌کند که در تشخيص فرايندهاي فيزيکي و شيميايي تغييرات هيدروشيمي منطقه موردمطالعه مؤثر است. در روش FCM تعداد خوشه بهينه توسط توابع بهينه‌يابي تعيين مي‌شود اما در روش HCA براساس تجربه کاربر و سعي و خطا تعيين مي‌شود. روش FCM روشي مناسب در تحليل داده اکتشافي در بيان توزيع رخساره‌هاي هيدروشيمي است و زماني که خوشه‌هاي پيوسته يا داراي هم پوشاني وجود دارند، ابزار بهتري نسبت به HCA براي خوشه‌بندي است. با ترسيم خطوط تراز مقدار عضويت هر خوشه که بر روي نقشه به‌صورت مکاني و پيوسته نشان داده شده، خوشه‌هاي نمونه‌هاي آب زيرزميني به‌خوبي مشخص‌شده است. نتايج نشان داد؛ روش FCM در تحليل داده‌هاي مرزي، نسبت به روش HCA که تغييراتي واضح و ناگهاني دارد؛ تواناتر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - تخمین سرعت امواج صوتی با استفاده از روش¬های هوشمند و روش خوشه-بندی گراف پایه با توان تفکیک چندگانه: مطالعه موردی دریکی از میادین جنوب ایران
  مرتضی نوری مینا کریمی خالدی
  چكيده سرعت موج برشی (Vs) و تراکمی (Vp)دو پارامتر اساسی هستند که در اکثر مطالعات پتروفيزيكي، ژئوفيزيكي و ژئومکانیکی کاربردهای عمده ای دارند. این دو پارامتر را می توان از طریق ابزار تصویرگر دو قطبی صوتی (Dipole sonic imaging tool) بدست آورد، اما متأسفانه به دلیل هزینه أکثر

  چكيده سرعت موج برشی (Vs) و تراکمی (Vp)دو پارامتر اساسی هستند که در اکثر مطالعات پتروفيزيكي، ژئوفيزيكي و ژئومکانیکی کاربردهای عمده ای دارند. این دو پارامتر را می توان از طریق ابزار تصویرگر دو قطبی صوتی (Dipole sonic imaging tool) بدست آورد، اما متأسفانه به دلیل هزینه بالای این ابزار، اطلاعات مربوط به سرعت موج برشی و تراکمی تنها در تعداد محدودی از چاه ها موجود است. بنابراین پیش بینی سرعت امواج به صورت غیر مستقیم از روی دیگر نمودارهای متداول که همبستگی خوبی با این پارامترها دارند، اهمیت بسزایی دارد. درگذشته از روش‌های تجربی و تحلیل‌های رگرسیونی برای تخمین سرعت امواج استفاده می‌شد، در حالی که امروزه از سیستم های هوشمند که عملکرد بهتری نسبت به این روش ها دارند، استفاده می شود. مهم‌ترین ابزار برای این کار، سیستم های هوشمند شامل شبکه هوش مصنوعی، منطق فازي، و خوشه بندی گراف پایه با توان تفکیک چندگانه (Multi resolution graph base clustering) می-باشد. در این مطالعه 1321 نقطه داده از سازند کنگان و دالان که دارای سرعت های برشي و تراكمی بودند، استفاده شده است. این داده ها به دو گروه تقسیم می شوند: 995 نقطه داده برای ساخت سیستم های هوشمند و 326 نقطه داده برای تست مدل استفاده شد. نتايج نشان داد که علی رغم اختلاف در مفهوم، همه تكنيك های هوشمند در برآورد سرعت امواج عملکرد قابل قبولی داشته‌اند. از طرفی، روش خوشه بندی گراف پایه با توان تفکیک چندگانه با توجه به تفکیک داده به خوشه هایی بر اساس میزان شباهت و تفاوت آن‌ها، تخمین دقیق تری از دیگر روش ها دارد. با استفاده از روش خوشه-بندی، سرعت امواج تراکمی و برشی با ضريب همبستگی برابر 9505/0و9407/. تخمین زده شد. از آنجایی که در این فرآیند، از عمق داده ها و لیتولوژی به عنوان ورودی استفاده نشده است، می توان از این روش در چاه ها و میادین دیگر نیز استفاده نمود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - خوشه بندی فازی چندهسته ای کلان داده ها در چارچوب نگاشت کاهش هدوپ
  سیدامید  آذرکسب سید حسین خواسته مصطفی امیری
  یک راهحل منطقي براي لحاظکردن همپوشاني خوشهها، انتساب مجموعهاي از درجه عضویت به هر داده است. بهدلیل کمشدن افرازها و کوچکشدن فضايجستجو، خوشهبندي فازي عموما داراي سربار محاسباتي کمتري بوده، تشخیص و مدیریت دادههاي مبهم، نویزدار و دادههايپرت نیز در آن بهسهولت انجام ميگیرد. ا أکثر

  یک راهحل منطقي براي لحاظکردن همپوشاني خوشهها، انتساب مجموعهاي از درجه عضویت به هر داده است. بهدلیل کمشدن افرازها و کوچکشدن فضايجستجو، خوشهبندي فازي عموما داراي سربار محاسباتي کمتري بوده، تشخیص و مدیریت دادههاي مبهم، نویزدار و دادههايپرت نیز در آن بهسهولت انجام ميگیرد. ازاینرو خوشهبندي فازي از نوع پیشرفته روشهاي خوشهبندي به شمار ميرود. اما روشهاي خوشهبندي فازي در مواجه با روابط غیرخطي دادهها ناتوانند. روش پیشنهادي این مقاله ميکوشد تا مبتني بر ایدههاي امکان پذیري، از یادگیري چندهستهاي در چارچوب نگاشتکاهش هدوپ براي تشخیص خوشههاي خطيجدایيناپذیر با ساختار کلاندادههاي پیچیده، استفاده کند. مدل یادگیري چندهستهاي قادر به کشف روابط پیچیده بین دادهاي بوده و در عین حال هدوپ ما را قادر خواهد ساخت تا به جاي تعامل با سیستم عامل و پردازنده، با یک کلاستر منطقي از پردازشها و گرههاي انباره داده تعامل داشته باشیم و عمده کار را بر عهده فریمورک بیندازیم. به طور خلاصه مدلسازي روابط غیرخطي دادهها با استفاده از مدل یادگیري چندهستهاي، تعیین مقادیر مناسب براي پارامترهاي فازيسازي و امکانپذیري، و ارائه الگوریتم در مدل نگاشتکاهش هدوپ از دستاوردهاي کلیدي مقاله حاضر ميباشد. آزمایشها برروي یکي از مجموعه دادههاي پر استفاده مخزن یادگیري UCI و همچنین برروي دیتاست شبیهساز CloudSim پیاده سازي شده است و نتایج قابل قبولي به دست آمده است. طبق مطالعات منتشر شده، مخزن یادگیري UCI براي مقاصد رگرسیون و خوشهبندي کلان داده، و مجموعه داده CloudSim براي شبیهسازي موارد مربوط به رایانش ابري، محاسبه تأخیرهاي زماني و زمانبندي انجام وظایف معرفي شدهاند. تفاصيل المقالة