Data Mining. Нейронечёткие модули

Автор работы: Пользователь скрыл имя, 23 Июня 2013 в 16:51, курсовая работа

Краткое описание

Сегодня консультанты имеют в распоряжении много различных инструментов, каждый из которых создаёт представление, присущее отдельному кандидату. Эти представления включают резюме, данныйоб опытеработы, и, соответственно, ряд от статики до динамики и от одномерных до трёхмерных наборов данных. Пока одиночные представления иногда достаточны для проверки кандидата (например, использование тестов достаточно для определения минимальных знаний), много условий требуют множественных видов, чтобы позволить рекрутеру уверенно сказать подходит кандидат клиенту или не (например, западный стиль ведения бизнеса отличается от Российского, и иногда кандидатам тяжело адаптироваться, а компания не будет рада такому сотруднику).

Содержание

Data Fusion………………………………………………….….…..3

Часть II

Нейронечёткие модули……………………………….…………17

Часть III


Эксперимент………………………….………………………….28

Заключение………………………………….………………………….37

Список литературы…………………………………………………….38

Прикрепленные файлы: 1 файл

Диплом типа.doc

— 1.09 Мб (Скачать документ)

                if p = 0 then begin

                    Inc(cerr);

                    Continue;

                end;

                try

                    t := StrToFloat(Copy(s, 1, p-1));

                    if (t >= 41) and (t < 43) then begin

                        Writeln(tmin, sl[i]);

                        Inc(cmin);

                    end else if (t >= 43) and (t < 45) then begin

                        Writeln(tmed, sl[i]);

                        Inc(cmed);

                    end else if (t >= 45) and (t < 47) then begin

                        Writeln(tmax, sl[i]);

                        Inc(cmax);

                    end else begin

                        Inc(cmis);

                    end;

                except

                    Inc(cerr);

                end;

            end;

        finally

            sl.Free;

            CloseFile(tmin);

            CloseFile(tmed);

            CloseFile(tmax);

        end;

 

        Application.MessageBox(

            PChar(‘13#10 +

                ' от 41 до 43 - ' + IntToStr(cmin) + '/' + IntToStr(ctotal) + #13#10 +

                '  от 43 до 45 - ' + IntToStr(cmed) + '/' + IntToStr(ctotal) + #13#10 +

                '  от 45 до 47 - ' + IntToStr(cmax) + '/' + IntToStr(ctotal) + #13#10 +

                '  - ' + IntToStr(cmis) + '/' + IntToStr(ctotal) + #13#10 +

                '  - ' + IntToStr(cerr) + '/' + IntToStr(ctotal))

                , ', MB_OK + MB_ICONINFORMATION);

    except

        Application.MessageBox(PChar(.'#13#10 + Exception(ExceptObject).Message), '', MB_OK + MB_ICONERROR);

    end;

end;

 

procedure TMainForm.FormCreate(Sender: TObject);

begin

    DecimalSeparator := '.';

end;

 

procedure TMainForm.eSourceFileChange(Sender: TObject);

begin

    if eResultDir.Text = '' then eResultDir.Text := ExtractFilePath(eSourceFile.Text)

end;

 

procedure TMainForm.miFileExitClick(Sender: TObject);

begin

    Close;

end;

 

procedure TMainForm.miFileAboutClick(Sender: TObject);

begin

    FormAbout.ShowModal;

end;

 

procedure TMainForm.btnExitClick(Sender: TObject);

begin

    Close;

end;

 

end.

 

 

 

 

 

Выборка разбивается  на части с высокими, средними и  низкими температурами, и далее  нейросеть обучается по полученным выборкам.

 

 

Обучение нейросети на низких температурах (41-42 градуса)

 

 

Обучение нейросети  на средних температурах (43-44 градуса)

 

 

 

Обучение нейросети  на высоких температурах (45-46 градусов)

Заключение.

 

Была проведена практическая работа по выработке плана лечения раковых опухолей методом гипертермии и радиационного излучения.

Были проанализированы и выбраны лучшие методы для реализации данного модуля.

Так как система не справляется с разнотипными данными, и аппроксимация не достигается, была написана программа для разбития выборки на части, после чего сеть была обучена.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Часть 3

 

Анализ исходных данных

 

Machinery

Pharma

FMCG

Construction Materials

Real Estate

янв.11

15

15

20

5

5

фев.11

15

20

25

10

10

мар.11

25

20

25

10

15

апр.11

20

20

25

10

20

май.11

10

15

25

15

15

июн.11

20

15

25

10

15

июл.11

15

25

25

10

10

авг.11

15

20

30

15

15

сен.11

20

25

30

15

15

окт.11

30

20

25

10

15

ноя.11

20

25

30

10

5

дек.11

15

10

15

5

10


 

Подготовка обучающей  выборки

 

 

Результат обучения

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Список литературы:

 

 

  1. Radiobiology for Radiologist, fifth edition, by Eric J. Hall, Lippincott Williams&Wilkins, Philadelphia, 2000.
  2. A.N.Averkin, V.V.Kosterev – Triangular Norms in Artificial Intelligence Systems, Journal of Computer and System Sciences International, 2000, Vol. 39, pp. 772-782.
  3. Д.Рутковская, М.Пилиньский, Л.Рутковский – Нейронные сети, генетические алгоритмы и нечёткие системы, Москва, 2004.



Информация о работе Data Mining. Нейронечёткие модули