امکان سنجی بررسی اصالت اسناد کاغذی

تاکنون رویکردهای متفاوتی برای داده کاوی ارایه شده است که به طور عمده مبتنی بر روش های آماری یاروش های هوش مصنوعی می باشند. در مواردی که داده ها ناقص هستند یا یا یکدیگر در تناقضند, روش هایمبتنی بر هوش مصنوعی بهتر عمل می کنند، از جمله چالش ها در شناسایی سیستم های دینامیک غیرخطی، ماهیت غیرخطی بودن و تغییر پذیری این سیستم ها با زمان است و بدست آوردن یک مدل ریاضیبرای آنها کار دشواری است. در این مقاله یک تکنیک داده کاوی هوشمند مبتنی بر یک شبکه ی فازی عصبیخودسازمانده برای شناسایی سیستم های دینامیک غیرخطی به منظور بهبود قابلیت اطمینان شناسایی اینسیستم ها ارایه شده است. طراحی این شبکه شامل دو فاز می باشد. در فاز اول، با ورود الگوهای ورودی ساختارسیستم (تعداد نرون های لایه ی پنهان) به طور خودسازمانده تعیین می شود. در این فاز برای تعیین دقیقتعدا قوانین بهینه از الگوریتم خوشه بندی فازی سی میانگین امکانی (PCM) استفاده می شود. در فاز دوم، پارامترهای سیستم (وزن های شبکه) بر اساس الگوریتم حداقل مربعات بازگشتی تخمین زده می شوند. براینمایش کارایی و برتری شبکه ی پیشنهادی در حوزه ی شناسایی سیستم های دینامیک غیر خطی, دو سیستمدینامیک غیرخطی مبنا مورد ارزیابی قرار گرفته اند. مقایسه نتایج بدست آمده با روش های مختلف عصبی وسایر روش های خودسازمانده حاکی از برتری روش پیشنهادی در مدل سازی سیستم های غیر خطی با دقتبالا می باشد. شبیه سازی در محیط Matlab انجام گرفته است. مجموعه داده های مورد آزمایش در اولین سیستم غیرخطی, 200 داده ی ورودی است که به سیستم اعمال می شود و بر طبق معادلات غیر خطیسیستم مورد نظر, 200 داده ی خروجی حاصل می شود و در دومین سیستم دینامیک, 1000 جفت داده یورودی- خروجی مورد ارزیابی قرار گرفته اند.