درخت الگوی مکرر گسترش یافته ساختارهای مبتنی بر درخت های پیشوندی[1] است [15، 16]. درخت الگوی مکرر نمایش فشرده ای از داده است که اطلاعات کاملی از داده های اصلی را در خود ذخیره می کند. در FP-tree، هر مسیر مجموعه آیتم هایی را که دارای پیشوند یکسانی هستند را نشان می دهد و هر […]
درخت الگوی مکرر دینامیک (DFP-tree) Dynamic Frequent pattern tree بیشتر بخوانید »
روش کلاسه بندی بر اساس مجموع الگوهای نوظهور CAEP[1][21] از آنجایی که الگوهای نوظهور، دانش تمایز بین کلاس های مختلف را نشان می دهد، آنها در ایجاد کلاسه بندی دقیق بسیار موثر هستند. کلاسه بند های بر پایه الگوهای نوظهور قدرت مجموع الگوهای نوظهور را برای کلاسه بندی یک نمونه تست بکار می گیرد. Dong
در مقایسه با قوانین انجمنی، الگوهای نوظهور قادر هستند که تمایلات نوظهور[1] در مجموعه داده های با محدودیت زمانی[2] را استخراج کنند و یا تمایزات مفید بین کلاس های مختلف را کشف نمایند [1]. مطالعه و پژوهش در رابطه با الگوهای نوظهور اساسا به دو دسته قابل تقسیم است؛ الگوریتم های استخراج الگوهای نوظهور و
هدف از کلاسه بندی قوانین استخراجی، استخراج کردن مجموعه کوچکی از قوانین است تا یک کلاسه بند دقیق ساخته شود. الگوریتم های استخراج قانون مانند Apriori [61] و FPgrowth [15، 16] بکار گرفته می شوند تا مجموعه کاملی از الگوها استخراج شوند. سپس مجموعه کوچکی از قوانین با کیفیت بالا انتخاب می شوند که برای
نفوذ دسته: این روش بر این فرض استوار است که یک تشکل دربرگیرنده چندین مجموعه همپوشان از زیرگراف‌های کاملا متصل است و تشکل‌ها را با جستجو در دسته‌های مجاور تشخیص می‌دهد. در ابتدا دسته‌هایی با اندازه k پیدا شده و در قدم بعدی گراف جدیدی بر اساس اتصال این دسته‌ها را تشکیل می‌دهد که در
روش های تشخیص تشکل های همپوشان در شبکه های ایستا بیشتر بخوانید »
از جهات مختلفی می‌توان گراف ها و شبکه ها را دسته بندی کرد. در واقع این دسته بندی ها نمایان گر ویژگی های مشترک اعضای آنها می‌باشد. به عنوان مثال، از لحاظ نوع یال ها، می‌توان گراف ها را به دو گروه گراف های جهت دار و بدون جهت؛ و گراف های وزن دار و
تاریخچه تعداد علومی که بتوان به وضوح زمانی را برای شروع آنها تعیین کرد زیاد نیست. نظریه گراف که یکی از بنیان های ریاضی دانش شبکه ها است در سال 1736 میلادی توسط اویلر[1]، ریاضی دان سوئیسی در پی حل معمای پل های کونیگزبرگ[2] مطرح کرد. این پل های هفت گانه (همانطور که در شکل
الگوریتم ژنتیک روشی است برای بهینه سازی مسائل محدود و نامحدود و بر اساس فلسفه انتخاب اصلح در طبیعت بنا شده است. الگوریتم ژنتیک به صورت تکراری جمعیتی از راه حل ها را اصلاح می کند. در هر مرحله ، الگوریتم ژنتیک تعدادی از افراد را به صورت تصادفی از جمعیت کنونی انتخاب می کند
همگام با پيشرفت و توسعه شبكه هاي عصبي مبتني بر FAM، بخصوص در پانزده سال اخير، كاربردها و رويكردهاي نويني در استفاده عملي از آن ها ظهور كرده است. يكي از نخستين كاربردها، استفاده از اين شبكه ها در بازشناسي خودكار هدف بر اساس پروفايل هاي برد رادار مي باشد [8]. به عنوان كاربرد قديمي
كاربردهاي پيشرفته شبكه هاي عصبي مبتني بر FAM بیشتر بخوانید »
متدهاي مختلف آموزش FAM نظير تك كراري[1]، كامل[2] و آموزش همراه با مجموعه ارزيابي[3] در [27 و 16] به تفصيل مورد بحث قرار گرفته اند. در روش تك تكراري همه الگوهاي آموزش به صورت يك دنباله و فقط يك بار به شبكه ارائه مي شوند در آموزش به روش آموزش كامل دنباله اي كه از