مسعود شریعت پناهی - دانشیاردانشگاه تهران
احسان صادقی پورگوغری - دانشجوی کارشناسی ارشد مکاترونیک

دراین مقاله یک سیستم طبقه بندXCS بهبود یافته برای تشخیص اولیه بیماریها ارایه میگردد سیستم های طبقه بندXCS که به عنوان یکی ازموفقترین انواع عاملهای یادگیرنده Learning Agents درحوزه هوش مصنوعی شناخته شده اند ازمجموعه ای ازقوانین ساده با فرمت اگرـ انگاه تشکیل میشوند که هریک با توجه به اطلاعات دریافتی ازمحیط واکنش دراینجانوع بیماری خاصی را پیش بینی می کند این مجموعه قوانین به مرور زمان و درتعامل با داده های واقعی تکامل می یابند و تدریجا بردقت پیش بینی آن ها افزوده میشود این تکامل معمولا با استفاده ازالگوهای الهام گرفته ازطبیعت همچون الگوریتم های ژنتیک صورت میگیرد روش پیشنهاد شده دراین مقاله مبتنی بر استفاده دوگانه ازداده های واقعی و عموما محدود دریک فرایند اموزش با مربی Supervised Learning مجموعه قوانین است دراین روش پس ازارایه داده های اموزشی به سیستم و بروزاوری مشخصه های قوانین آن داده های مزبور به کمک عملگر هم گذری crossover به داده های جدیدی تبدیل میگردند که درعین ارایه اطلاعات جدیدی ازمحیط و الگوpattern های موجود درآن به زمان پردازش کمتری نیز نیاز دارند و درنتیجه باعث افزایش سرعت همگرایی فرایند اموزش سیستم میگردند.

سیستم های طبقه بندی گسترش یافته داده کاوی، تشخیص بیماری، چربی خون، XCS