تعداد کلمات فایل انگلیسی:6884 کلمه 13صفحه pdf
تعداد صفحات فایل ترجمه:28صفحه word فونت14 Arial
چکیده
در این مقاله رویکرد تازه ای که از مشکلات بیش پرازش و پیچیدگی که در ساخت درخت تصمیم نادیده گرفته میشوند عرضه میشود. درخت های تصمیم, ابزارهایی کارآمد برای ساخت نمونه های طبقه بندی به ویژه در مهندسی صنعتی هستند. در مرحله ی ساخت این درخت ها دو مشکل اساسی وجود دارد که عبارتند از: انتخاب صفات مناسب و اجزای پایگاه داده . در پژوهش مقابل، ازانتخاب صفات و نمونه داده جهت غلبه بر مشکلات مورد اشاره استفاده شده است. بمنظور اثبات رویکرد پیشنهادی، چندین آزمایش روی ۱۰ مجموعه داده ی معیار انجام داده شده و نتایج آنها با رویکردهای کلاسیک مقایسه شده است. در آخر، عملکرد مؤثر رویکرد پیشنهادی را در ساخت قوانین غیر پیچیده ی تصمیم جهت تشخیص نقص در ماشین آلات دوار را ارائه خواهیم داد.
مقدمه
در زمینه ی صنعتی، با پیچیدگی تجهیزات نصب شده خطرات شکست و اختلال در حال افزایش هستند. این پدیده بر کیفیت محصول اثر میگذارد، باعث میشود ماشین فوراٌ خاموش شود و به عملکرد صحیح کل سیستم تولید لطمه میزند. ماشین های دوار رده ای عمده از تجهیزات مکانیکی هستند و به بیش ترین دقت و کنترل بی وقفه نیاز دارند تا از عملکرد بهینه آنها اطمینان حاصل شود. بطور سنتی، تجزیه و تحلیل های ارتعاش و بسیاری از روش های پردازش سیگنال به منظور بدست آوردن اطلاعات سودمند جهت کنترل شرایط عملکرد مورد استفاده قرار گرفته اند. خلف و دیگران (2013) دامنه بسامد را به منظور کسب اطلاعات و تشخیص نقص مورد تجزیه و تحلیل قرار دادند. تجزیه و تحلیل سپسترال (روش غیر خطی پردازش سیگنال) برای ساخت نشانگر نقص سیستم پر توان به کار رفته است (بداوی و دیگران، 2004) و تبدیل فوریه کوتاه مدت (روش پردازش سیگنال برای تجزیه و تحلیل امواج متغیر) ارائه شد (موشر و دیگران، 2003).
Abstract
This paper presents a new approach that avoids the over-fitting and complexity problems suffered in the construction of decision trees. Decision trees are an efficient means of building classification models, especially in industrial engineering. In their construction phase, the two main problems are choosing suitable attributes and database components. In the present work, a combination of attribute selection and data sampling is used to overcome these problems. To validate the proposed approach, several experiments are performed on 10 benchmark datasets, and the results are compared with those from classical approaches. Finally, we present an efficient application of the proposed approach in the construction of non-complex decision rules for fault diagnosis problems in rotating machines.
کد:fr101
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله ساخت درخت تصمیم پیشرفته بر اساس انتخاب صفات و نمونه داده جهت تشخیص نقص در ماشین آلات دوار
تعداد کلمات فایل انگلیسی:6884 کلمه 13صفحه pdf
تعداد صفحات فایل ترجمه:28صفحه word فونت14 Arial
چکیده
در این مقاله رویکرد تازه ای که از مشکلات بیش پرازش و پیچیدگی که در ساخت درخت تصمیم نادیده گرفته میشوند عرضه میشود. درخت های تصمیم, ابزارهایی کارآمد برای ساخت نمونه های طبقه بندی به ویژه در مهندسی صنعتی هستند. در مرحله ی ساخت این درخت ها دو مشکل اساسی وجود دارد که عبارتند از: انتخاب صفات مناسب و اجزای پایگاه داده . در پژوهش مقابل، ازانتخاب صفات و نمونه داده جهت غلبه بر مشکلات مورد اشاره استفاده شده است. بمنظور اثبات رویکرد پیشنهادی، چندین آزمایش روی ۱۰ مجموعه داده ی معیار انجام داده شده و نتایج آنها با رویکردهای کلاسیک مقایسه شده است. در آخر، عملکرد مؤثر رویکرد پیشنهادی را در ساخت قوانین غیر پیچیده ی تصمیم جهت تشخیص نقص در ماشین آلات دوار را ارائه خواهیم داد.
مقدمه
در زمینه ی صنعتی، با پیچیدگی تجهیزات نصب شده خطرات شکست و اختلال در حال افزایش هستند. این پدیده بر کیفیت محصول اثر میگذارد، باعث میشود ماشین فوراٌ خاموش شود و به عملکرد صحیح کل سیستم تولید لطمه میزند. ماشین های دوار رده ای عمده از تجهیزات مکانیکی هستند و به بیش ترین دقت و کنترل بی وقفه نیاز دارند تا از عملکرد بهینه آنها اطمینان حاصل شود. بطور سنتی، تجزیه و تحلیل های ارتعاش و بسیاری از روش های پردازش سیگنال به منظور بدست آوردن اطلاعات سودمند جهت کنترل شرایط عملکرد مورد استفاده قرار گرفته اند. خلف و دیگران (2013) دامنه بسامد را به منظور کسب اطلاعات و تشخیص نقص مورد تجزیه و تحلیل قرار دادند. تجزیه و تحلیل سپسترال (روش غیر خطی پردازش سیگنال) برای ساخت نشانگر نقص سیستم پر توان به کار رفته است (بداوی و دیگران، 2004) و تبدیل فوریه کوتاه مدت (روش پردازش سیگنال برای تجزیه و تحلیل امواج متغیر) ارائه شد (موشر و دیگران، 2003).
Abstract
This paper presents a new approach that avoids the over-fitting and complexity problems suffered in the construction of decision trees. Decision trees are an efficient means of building classification models, especially in industrial engineering. In their construction phase, the two main problems are choosing suitable attributes and database components. In the present work, a combination of attribute selection and data sampling is used to overcome these problems. To validate the proposed approach, several experiments are performed on 10 benchmark datasets, and the results are compared with those from classical approaches. Finally, we present an efficient application of the proposed approach in the construction of non-complex decision rules for fault diagnosis problems in rotating machines.
کد:fr101
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com