دسته‌بندی داده‌های جریانی فازی با استفاده از تحلیل پوششی داده‌ها

محورهای موضوعی : مدیریت

امینه توحیدی ¹ , محمدامین ادیبی ² , علیرضا علی نژاد ³

1 - دانشجوی کارشناسی ارشد ، دانشگاه آزاد اسلامی، واحد قزوین ،گروه مهندسی صنایع ، قزوین،ایران
2 - استادیار دانشگاه آزاداسلامی، واحد قزوین،گروه مهندسی صنایع ، قزوین، ایران
3 - دانشیار ،دانشگاه آزاد اسلامی، واحد قزوین، گروه مهندسی صنایع، قزوین،ایران

تاریخ دریافت : 1395/10/25 تاریخ پذیرش : 1395/10/25 تاریخ انتشار : 1395/07/01

کلید واژه: تحلیل پوششی داده‌ها, دسته‌بندی, داده‌های فازی, برنامه ریزی ریاضی, جریان داده,

چکیده مقاله :

در این تحقیق یک روش دسته‌ بندی داده‌های غیرقطعی از نوع فازی که از جمله چالش‌برانگیزترین حوزه‌های تحلیل داده محسوب می‌شود، ارائه شده است. در واقع حجم بالا و پیچیدگی روش‌های تحلیل داده مانع از توسعه روش‌هایی جهت تحلیل داده‌های فازی می‌شود. با این‌حال در برخی حوزه‌های دیگر همچون برنامه‌ریزی ریاضی پیشرفت‌های چشمگیری در مدل سازی سیستم‌هایی که داده‌های فازی از آنها در اختیار است، بدست آمده است و لذا توجهات به سمت بهره‌ گیری از این فرصت در سال‌های اخیر جلب شده است. به منظور بهره برداری از یافته های تحقیقاتی پیرامون مدلهای ریاضی فازی، در این تحقیق یک روش جدید دسته‌بندی داده‌های فازی مبتنی بر تحلیل پوششی داده زمانی که داده‌ها به صورت جریانی وارد می‌شوند، ارائه می‌شود. روش پیشنهادی می‌تواند با استفاده از به‌هنگام‌ سازی معیارهایی پیش‌بینی دسته‌ی داده‌های فازی به دسته‌بندی داده‌هایی بپردازد که در طول زمان تغییراتی در الگوی رفتاری آنها بوجود می‌آید. روش جدید توسط داده‌های شبیه‌ سازی شده مورد آزمون قرار گرفته و نتایج نشان‌ دهنده‌ی قابلیت این روش در مواجه با شرایط غیرقطعی و متغیر است.

چکیده انگلیسی:

In this research, a new fuzzy streaming data classification method is presented. Fuzzy data classification is one of the most challenging areas in data analysis due to high-volume and sophisticated computation engaged in data analysis techniques. However, in some other areas such as mathematical programming, great achievements are obtained in modeling of systems measured by fuzzy data. So, in this research classification based on data envelopment analysis (DEA) is selected to handle fuzzy data classification. On the other hand, the proposed method can be applied for dealing with streaming data by using an updating schema. This feature makes the proposed method suitable for non-stationary environment in which data pattern varies over the time. Experiments using simulated data demonstrate the capability of the proposed method in dealing with uncertain and non-stationary environment.