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

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

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

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

پس از طرح الگوريتم و ساختار FAM در مجامع بين المللي و كنفرانس هاي علمي در سال 1992 ميلادي، پيشرفت و نوآوري در زمينه بهينه سازي الگوريتم و پيكربندي اين شبكه ها و واريته هاي آن به شكل روزافزوني گسترش يافت. اين پيشرفت ها را مي توان به دو دسته كلي تقسيم بندي نمود: يكي

ART [1]يا همان تئوري رزونانس تطبيقي، توسط گراسبرگ[2]، به عنوان تئوري شناختي پردازش اطلاعات درانسان، در سال  1976(م)، ابداع شد. در 1987(م) در رويكردي جهت حل مسئله پايداري – انعطاف پذيري[3] در شبكه هاي عصبي، كارپنتر[4] و گراسبرگ اولين عضو خانواده ART را تحت عنوان ART1، ارائه كردند. هر چند، اين مدل به خاطر پيچيدگي