معرفی محقق

الپینیکی

دانشیار علوم کامپیوتر ، دانشگاه Thessaly

Fax: [phone]

E-mail: [e-mail]

Site: www.epapageorgiou.com

وی از سال 1996 تا کنون تحقیقات متعددی در زمینه های سیستم های هوش مصنوعی، نقشه شناختی فازی (FCM)، ماشین های تصمیم گیری، داده کاوی و سیستم های دانش پایه و مهندسی نرم افزار  به انجام رسانیده است.

طبقه بندی تصاویر ماموگرافی با استفاده از نقشه های شناختی فازی و یک الگوریتم جدید برای طبقه بندی

عبدالله امیرخانی ، مجتبی کلاهدوزی ، الپیینیکی I. پاپاگورگیو و محمد رضا موسوی

ماموگرافی یکی از بهترین روشها برای تشخیص زودرس سرطان پستان است. در این مقاله روشی مبتنی بر نقشه شناختی فازی (FCM) و قابلیت های یادگیری تکاملی آن برای طبقه بندی تصاویر ماموگرافی ارائه شده است. کمک اصلی این کار دو بخش است: (الف) ارائه یک روش طبقه بندی جدید به نام الگوریتم منطقه در حال رشد (TBRG) برای طبقه بندی تصاویر ماموگرافی ، و (ب) اجرای روش FCM در زمینه طبقه بندی تصویربرداری ماموگرافی با ایجاد یک الگوریتم یادگیری کارآمد جدید FCM برای طبقه بندی تومور. با استفاده از الگوریتم پیشنهادی (TBRG) ، یک تومور احتمالی در برابر بافت پس زمینه ترسیم می شود. ما 36 ویژگی را از بافت یادشده استخراج کردیم و بافت و مرز ناحیه تقسیم شده را توصیف کردیم. با توجه به سختی ابعاد دهی به مشخصات ، این ویژگی ها با کمک الگوریتم بهینه سازی توده ذرات پیوسته انتخاب شدند. FCM با استفاده از یک رویکرد تکاملی جدید و مبتنی بر سطح زیر منحنی (AUC) آموزش داده شد. به منظور ارزیابی اثربخشی طرح ارائه شده ، مقایسه هایی با الگوریتم های یادگیری ماشین معیار انجام شده و معیارهای شناخته شده مانند ROC ، AUC محاسبه شده است. AUC به دست آمده برای مجموعه داده های آزمایش 87.11٪ است ، که نشان دهنده عملکرد عالی FCM پیشنهادی است.

کتاب داده کاوی

عنوان کتاب: دانلود کتاب داده کاوی – Data Mining به زبان فارسی

نویسنده: ایمان اشکاوند راد

زبان کتاب: فارسی

تعداد صفحه: ۱۷

کتاب داده کاوی Data Mining به زبان فارسی . با رشد فناوری اطلاعات و روش های تولید و جمع آوری داده ها، پایگاه داده های مربوط به داده های تبادلات تجاری، کشاورزی، اینترنت، جزئیات مکالمات تلفنی، داده های پزشکی و غیره سریعتر از هر روز جمع آوری و انبارش می شوند. لذا از اواخر دهه ۸۰ میلادی بشر به فکر دست یابی به اطلاعات نهفته دراین پایگاه داده های حجیم افتاد زیرا سیستمهای سنتی قادر به این کار نبودند. به دلیل رقابت در عرصه‌های سیاسی، نظامی، اقتصادی ، علمی و اهمیت دست یابی به اطلاعات در کمترین زمان بدون دخالت انسان علم تجزیه و تحلیل داده ها یا داده کاوی پا به عرصه گذاشت . داده کاوی فرآیندی است که در آغاز دهۀ ۹۰ مطرح شد و با نگرشی نو، به مسئلۀ استخراج اطلاعات از پایگاه داده ها می پردازد. از سال ۱۹۹۵ داده کاوی به صورت جدی وارد مباحث آمار شد.

کتاب آشنایی با مفاهیم و تکنیک های داده کاوی

فصل اول کتاب به مقدمه ای در رابطه با مفاهیم داده کاوی پرداخته است این فصل توضیحی کاملی برای مطالب موجود در کتاب بوده و روش های آماده سازی داده ها، فصل بعدی کتاب را تشکیل می دهد. فصل سوم توضیحی کوتاهی برای انبار داده ها و OLAP دارد و فصل چهار و پنجم نیز به قوانین انجمنی و موضوعات پیشرفته پیرامون آن اختصاص دارد. روش های طبقه بندی داده ها و همینطور نحوه ارزیابی آنها در فصل شش و هفت پوشش داده شده اند. الگوریتم های مختلف خوشه بندی نیز در فصل هشت و نهم مورد بررسی قرار می گیرند. سه موضوع قوانین انجمنی، طبقه بندی و خوشه بندی مفاهیم محوری کتاب حاضر هستند که برای هر کدام دو فصل تخصیص یافته است. در فصل پایانی نیز به بعضی از موضوعات مرتبط با داده کاوی به اختصار اشاره شده است.

ارائه مدلی از رابطه فرهنگ ‌سازمانی و موفقیت در پیاده‌سازی مدیریت دانش با (ISM) و نقشه‌های شناختی فازی(FCM)

مدیریت دانش کاربرد منظم و هدف‌مدار دارایی‌های محسوس و غیر محسوس سازمان (دانش کارکنان) در جهت کنترل و هدایت منابع سازمان هست، به‌گونه‌ای که مسیر ایجاد ارزش و دانش جدید در سازمان را بهبود بخشد. در عصر دانش‌محوری، تمایل سازمان‌ها به بهره‌گیری از شیوه مدیریت دانش بیشتر شده است، بنابراین چگونگی طراحی و به‌کارگیری سیستم مدیریت دانش موفق، ضروری می‌باشد. پیاده‌سازی مدیریت دانش در سازمان‌ها همواره با مشکلاتی همراه است. بنابراین شناسایی عواملی که بتوانند در پیاده‌سازی و اجرای موفق مدیریت دانش در سازمان موثر باشند و همچنین ارزیابی برخورداری سازمان از این عوامل بسیار حائز اهمیت است. چراکه با انجام موارد بالا از اتلاف زمان، انرژی و هزینه در سازمان جلوگیری می‌شود.تحقیق حاضر به‌منظور شناسایی و ارائه مدلی از عوامل کلیدی موفقیت در پیاده‌سازی مدیریت دانش در شرکت برق منطقه‌ای یزد صورت گرفته است. در این پژوهش پس از بررسی مطالعات پیشین، 20 عامل کلیدی از ویژگی‌های فرهنگ‌سازمانی ازنظر خبرگان دانشگاهی و سازمان موردمطالعه، مورد تائید قرار گرفت و با ترکیب روش‌های کیفی و کمی ضمن به‌کارگیری روشی نو در ارائه مدل، مدلی برای پیاده‌سازی موفق مدیریت دانش تدوین شد. برای این منظور تعداد 7 پرسشنامه ISM در میان خبرگان دانشگاهی و شرکت برق منطقه‌ای یزد توزیع شد. که بر اساس نظرات آن‌ها و با استفاده از تحلیل MICMAC، عوامل مستقل که دارای بیشترین قدرت نفوذ و کمترین قدرت وابستگی بوده، انتخاب شد و جهت ارائه مدل از تکنیک FCM برای تدوین پرسشنامه نقشه شناختی فازی مورد استفاده قرار گرفت. درنهایت تعداد 42 پرسشنامه در اختیار کارکنان متخصص در این زمینه از شرکت برق منطقه‌ای یزد قرار گرفت و نتایج به‌دست‌آمده به‌عنوان ورودی نرم‌افزار FCMapper مورداستفاده قرار گرفت. با تحلیل داده‌های به‌دست‌آمده از نرم‌افزار FCMapper روابط میان عوامل بدست آمد و جهت ترسیم مدل از نرم‌افزارPajek استفاده گردید. بر اساس مدل به‌دست‌آمده، مهم‌ترین عوامل دستیابی از رابطه فرهنگ‌سازمانی به جهت موفقیت در پیاده‌سازی مدیریت دانش رسالت، توجه به نتیجه(بازده‌ای گرایی) و نظام تشویق می‌باشد.

رشته: مدیریت - مدیریت صنعتی ـ تولید

پدیدآور: محمدحسین زارع عبداللهی استاد راهنما: علی مروتی شریف آباد استاد مشاور: حبیب زارع احمدآبادی

دانشگاه یزد، دانشکده مدیریت و حسابداری

ارائه مدل خودارزیابی بر اساس مدل EFQM با رویکرد ترکیبی نقشه شناختی فازی و مدل‌سازی معادلات ساختاری

در دنیای رقابتی امروز برخورداری از نظام خودارزیابی مناسب، یک مزیت رقابتی و ضامن بقاء و موفقیت هر سازمانی می‌باشد. به همین دلیل مد‌‌ل‌های مختلفی همچون، مدل تعالی EFQM جهت خودارزیابی گسترش یافته‌اند، اما پیچیدگی و پویایی روزافزون محیط، مد‌‌ل‌های خودارزیابی ایستا را بر نمی‌تابد، بنابراین مدل تعالی EFQM زمانی می‌تواند سازمان‌های امروزی را در امر مهم خودارزیابی یاری رساند که وضعیت و چگونگی برهم‌کنش میان توانمندسازها و نتایج آن قابل تحلیل باشد. درحالی که اغلب پژوهش‌ها در این حوزه بر بررسی تأثیر معیارهای مدل EFQM به صورت روابط علی یک‌طرفه (توانمندسازها بر نتایج) تمرکز دارند، این پژوهش درصدد یافتن و تحلیل و بررسی حلقه‌های بازخوردی (توانمندسازها بر نتایج و نتایج بر توانمندسازها) با توجه به تأکید مدل EFQM بر وجود بازخورد، می‌باشد. بدین منظور ابتدا اهم روابط موجود و شدت آن‌ها به‌وسیله تکنیک نقشه شناختی فازی و با بهره‌مندی از ذهن هفت خبره آشنا به مسئله، تعیین و در ادامه اعتبار کمی مدل با استفاده از مدل‌سازی معادلات ساختاری تأیید شده است و آزمون فرضیات مدل منجر به تأیید 21 رابطه شد و تنها یک رابطه رد شد، با حذف این یک رابطه ماتریس مجاورت اصلاح شده وارد نرم‌افزار FCMapper شد و مدلی پویا برای خودارزیابی ارائه گردید. شاخص‌های تأثیرپذیری و تأثیرگذاری و مرکزیت و به دنبال آن سناریوهای منتخب تعیین شدند و معرفی عامل کارکنان به‌عنوان پراهمیت‌ترین عامل و تأثیر شدید فرآیندها، محصولات و خدمات بر نتایج مشتریان و رهبری بر استراتژی از نتایج قابل توجه در این پژوهش می‌باشد و ارائه سناریوهای منتخب از یافته‌های پژوهش حاضر می‌باشد.

رشته: مدیریت - مدیریت صنعتی ـ تحقیق در عملیات

پدیدآور: نسرین جمشیدی استاد راهنما: سید حیدر میرفخرالدینی استاد مشاور: داوود عندلیب اردکانی

دانشگاه یزد، پردیس علوم انسانی و اجتماعی - دانشکده اقتصاد، مدیریت و حسابداری

ارائه الگویی جهت موفقیت مدیریت دانش در زنجیره تامین با استفاده از روش نقشه شناختی فازی و دیمتل

در سازمان‌های تولیدی و صنعتی کشورهای پیشرو، موازنه میان دانش و سایر منابع، به نفع دانش تغییر یافته است؛ به‌ گونه‌ ای که دانش به عاملی تعیین‌ کننده در زندگی تولیدی و صنعتی کار و سرمایه تبدیل‌ شده است. مدیریت دانش، یکی از مهمترین منابع رقابتی برای هر سازمان محسوب می شود، به نحوی که بسیاری معتقدند که شرکت هایی که بتوانند هرچه سریعتر دانش را کسب و به مرحله کاربردی برسانند در یک بـازار رقـابتی، مـوفق تر خواهنـد بـود. از طرفی دیگر، رقابت بین شرکتی اهمیت خـود را از دسـت داده اسـت و رقابـت بـین زنجیره های تامین جهت ارائه حداکثر ارزش به مشـتری، مـورد تاکیـد قـرار گرفتـه است. بنابراین، این تحقیق به دنبال ارائه الگویی جهت موفقیت مدیریت دانش در زنجیره تأمین شرکت قیام نخ می باشد. در این پژوهش ابتدا 25 شاخص برای موفقیت مدیریت دانش در زنجیره تامین در نظر گرفته شد سپس از از دلفی فازی استفاده کردیم در نهایت با جرح و تعدیل 13 شاخص برای موفقیت مدیریت دانش در زنجیره تامین در نظر گرفته شد. سپس از تکنیک دیمتل فازی جهت روابط و اثرگذاری شاخص ها استفاده کردیم. از آنجا که دیمتل فازی صرفا به روابط و اثرگذاری شاخص‌ها می‌پردازد از نقشه شناختی فازی جهت ارائه مدل و رتبه بندی شاخص‌ها استفاده کردیم. نتایج به دست آمده نشان داد شاخص حمایت مدیران میانی و مدیریت ارشد به عنوان تاثیر گذارترین شاخص و استخراج دانش مشتری به عنوان تاثیرپذیرترین شاخص برای مدیریت دانش در زنجیره تامین می‌باشد.در پایان پژوهش نیز با توجه به نتایج حاصل، پیشنهاد‌هایی جهت کسب نتیجه بهتر از پیاده‌سازی پژوهش، ارائه می‌شود.

رشته: مدیریت - مدیریت صنعتی ـ تحقیق در عملیات

پدیدآور: نسرین جمشیدی استاد راهنما: سید حیدر میرفخرالدینی استاد مشاور: داوود عندلیب اردکانی

دانشگاه یزد، پردیس علوم انسانی و اجتماعی - دانشکده اقتصاد، مدیریت و حسابداری

منطق فازی (Fuzzy Logic) چیست و چه کاربردهایی دارد؟

منطق فازی (Fuzzy Logic) یک فرامجموعه از منطق بولی است، بر مفهوم درستی نسبی دلالت می‌کند و منطق کلاسیک هر چیزی را براساس یک سیستم دوتایی نشان می‌دهد. در ادامه این مقاله سعی داریم منطق فازی را به زبان ساده توضیح دهیم و به بررسی آن بپردازیم. با تکراتو همراه باشید.

منطق فازی اعداد بین صفر و یک را در نظر دارد و درستی هر چیزی را با یک عدد که مقدار آن بین صفر و یک است می‌سنجد. به عنوان مثال اگر رنگ سیاه عدد صفر باشد و رنگ سفید عدد 1، رنگ خاکستری عددی نزدیک به صفر خواهد بود.

بررسی منطق فازی

تئوری مجموعه‌های فازی و منطق فازی برای اولین بار توسط پرفسور لطفی زاده در سال ۱۹۶۵ معرفی شد. هدف از معرفی و بررسی آن توسط وی، توسعه مدلی کارآمدتر برای توصیف فرآیند پردازش زبان‌های طبیعی در آن زمان بود.

او مفاهیمی چون مجموعه‌های فازی، رویدادهای فازی، اعداد فازی و فازی‌سازی را وارد علوم ریاضیات و مهندسی کرد. پرفسور لطفی زاده به دلیل معرفی نظریه بدیع و سودمند fuzzy و تلاش‌هایی که در این زمینه انجام داده است، توانست تا جوایز بین‌المللی متعددی را به دست آورد.

پس از معرفی آن به دنیای علم، مقاومت‌های بسیاری در برابر پذیرش آن صورت گرفت، اما در ادامه این نظریه توانست به خوبی برای خود در علوم مختلف جا باز کند.

با بررسی نظریه فازی به این نتیجه می‌رسیم که نظریه مجموعه‌های فازی، در پی محاسبات نو ظاهر شد. در اینجا معنای واژه  fuzzy، غیردقیق، ناواضح و مبهم در نظر گرفته شده است.

این منطق توانسته تا پا را از منطق ارزش‌های صفر و یک نرم‌افزارهای کلاسیک فراتر بگذارد و درگاهی جدید را به سوی دنیای علوم نرم‌افزاری و رایانه‌ها بگشاید. با بررسی منطق فازی پی می‌بریم که علت این امر، فضای شناور و نامحدود بین اعداد صفر و یک است که به چالش کشیده شده است.

منطق فازی، فضای شناور و نامحدود بین اعداد صفر و یک، یعنی فضای موجود بین دو ارزش، مثلا “برویم” یا “نرویم”، ارزش‌های جدید “شاید برویم” یا “می‌رویم”، “اگربرویم” یا “احتمال دارد برویم” را استخراج کرده و استفاده می‌کند.

بنابراین در بررسی آن به این نتیجه می‌رسیم که دانش مورد نیاز برای بسیاری از مسائل مورد مطالعه به دو صورت متمایز ظاهر می‌شوند:

1. دانش عینی: منظور مباحث، معادلات و فرمول‌های ریاضی است که از قبل وجود داشته‌اند و برای حل و فصل مسائل معمولی فیزیک، شیمی، یا مهندسی مورد استفاده قرار می‌گیرند.

2. دانش شخصی: منظور دانستنی‌هایی است که تا حدودی قابل توصیف و بیان زبان‌شناختی هستند. البته در اینجا امکان کمی کردن آن‌ها با کمک ریاضیات سنتی وجود ندارد. دانش شخصی، دانش ضمنی یا دانش تلویحی نیز گفته می‌شود.

اما نکته مهم در اینجا این است که با بررسی منطق فازی به این نتیجه می‌رسیم که در عمل، هر دو نوع دانش مورد نیاز است؛ منطق fuzzy این دو نوع دانش را به صورتی منظم، منطقی، و ریاضیاتی با هم و به صورت هماهنگ استفاده می‌کند.

کامپیوتر دارای منطق صفر و یک است. یعنی براساس منطق آن فقط دو واژه درست و غلط وجود دارد. اما این منطق تعبیری دیگر دارد. به عنوان مثال در پاسخ به این سوال که “آیا همه آنچه که دیروز به من گفتی، راست بود؟” می‌توان اینگونه پاسخ داد، “بیشتر آنها حقیقت بود.” یعنی چیزی بین حقیقت (یک) و دروغ (صفر).

در اینجا مشخص است که همه افراد در زندگی روزمره خود بارها از این مفهوم استفاده می‌کنند. دنیای صفر و یک، دنیایی انتزاعی و خیالی است، زیرا به ندرت پیش می‌آید که موضوعی صددرصد درست یا صددرصد نادرست باشد.

تاریخچه

چون تعداد کمی از افراد توانستند در بررسی مفهوم فازی به نتیجه برسند و آن را درک کنند، مفهوم آن مدت‌ها از درگاه دانشگاه‌ها بیرون نرفت. در اواسط دهه ۸۰ میلادی بود که صنعتگران ژاپنی معنا و ارزش صنعتی آن را درک کرده و به کار بردند.

اولین پروژه ژاپنی‌ها که براساس آن بود، طرح هدایت و کنترل تمام خودکار قطار زیرزمینی شهر سندای بود. این طرح موفق شد و از این پس، این نظریه بسیار سریع در تکنولوژی دستگاه‌های صوتی و تصویری ژاپنی‌ها جا باز کرد.

اما اروپایی‌ها دیر متوجه اهمیت آن شدند و پس از آنکه موج بحث‌های علمی در رابطه با این منطق کم‌رنگ شد، استفاده صنعتی از آن را آغاز کردند.

بیش از چهل سال از تولد این منطق می‌گذرد. در این مدت نظریه فازی، چارچوب فکری و علمی جدیدی را در محافل آکادمیک و مهندسی ایجاد کرده و دیدگاه دانشمندان را نسبت به کم و کیف دنیای اطراف تغییر داده است. بنابراین می‌توان آن را جهان‌بینی بدیع و واقع‌گرایانه‌ای دانست که به اصلاح، به شالوده ‌منطق علمی و ذهنی بشر کمک شایانی کرده ‌است.

مجموعه های فازی

با بررسی منطق فازی به این نتیجه می‌رسیم که بنیاد آن بر شالوده نظریه مجموعه‌های فازی قرار دارد. این نظریه در واقع تعمیم یافته نظریه کلاسیک مجموعه‌ها در علم ریاضیات است.

در تئوری کلاسیک مربوط به مجموعه‌ها، یک عنصر، یا عضو مجموعه است یا نیست؛ بنابراین در اینجا به این نتیجه می‌رسیم که عضویت عناصر از یک الگوی صفر و یک و باینری تبعیت می‌کنند. اما منطق fuzzy این مفهوم را بسط می‌دهد و در واقع مفهوم عضویت درجه‌بندی شده را مطرح می‌کند؛ یعنی یک عنصر می‌تواند حتی تا حدودی و نه کاملا عضو یک مجموعه باشد.

مجموعه‌های قطعی

مجموعه‌های قطعی در واقع همان مجموعه‌های عادی و معمولی هستند که در ابتدا در نظریه کلاسیک مجموعه‌ها معرفی شده بودند. اضافه کردن صفت قطعی تفاوتی را ایجاد می‌کند که به کمک آن می‌توان یکی از مفاهیم ابتکاری و حیاتی در منطق فازی را که تابع عضویت است، به آسانی در ذهن به وجود آورد.

توابع عضویت

اگر درجه عضویت یک عنصر از یک مجموعه برابر با صفر باشد، یعنی آن عضو در مجموعه وجود ندارد و اگر درجه عضویت یک عضو برابر با یک باشد، یعنی آن عضو کاملا در مجموعه قرار گرفته است. اما اگر درجه عضویت یک عضو مابین صفر و یک باشد، این عدد بیانگر درجه عضویت تدریجی است و در این نظریه صادق است.

متغیرهای زبانی

متغیرهای زبانی به متغیرهایی گفته می‌شوند که مقادیر مورد قبول برای آن‌ها به جای اعداد، کلمات و جملات، زبان‌های انسانی یا ماشینی است.

در محاسبات ریاضی از متغیرهای عددی استفاده می‌شود و در نظریه فازی از متغیرهای زبانی. متغیرهای زبانی در نظریه فازی براساس ارزش‌های زبانی که در مجموعه عبارت قرار دارند، بیان می‌شوند. عبارت زبانی در واقع صفاتی برای متغیرهای زبانی هستند.

کاربردهای نظریه فازی

این نظریه کاربردهای متعدد دارد. ساده‌ترین کاربرد آن در یک سیستم کنترل دما یا ترموستات است که بر اساس قوانین فازی کار می‌کند. از این منطق در ساختمان اغلب ماشین‌های لباسشویی برای کنترل دمای آب یا میزان کدر شدن آبی که لباس‌ها در آن شسته شده‌اند، استفاده می‌شود.

همچنین امروزه در ساخت بسیاری از ماشین‌های ظرفشویی و دیگر لوازم خانگی نیز از این تکنیک استفاده شده است. کاربرد دیگر منطق فازی، در صنعت خودروسازی است؛ مثلا سیستم ترمز و ABS در برخی از خودروها از آن استفاده می‌کنند.

یکی از معروف‌ترین نمونه‌هایی که در آنها از این منطق بهره گرفته شده، شبکه مونوریل (قطار تک ریل) توکیو در ژاپن است. البته در ساخت سایر سیستم‌های حرکتی و جابه‌جایی بار، مثل آسانسورها نیز استفاده شده است.

کاربرد این نظریه در سیستم‌های تهویه هوا نیز دیده می‌شود. همچنین در سیستم‌های پردازش تصویر نیز شاهد استفاده از آن هستیم. یک نمونه دیگر از کاربردهای فازی، سیستم‌های تشخیص لبه و مرز اجسام و تصاویر است که در روباتیک نیز کاربردهای فراوانی دارد. همچنین در ساختمان سیستم‌های تشخیص الگو، مثل سیستم‌های تشخیص گفتار و پردازش تصویر نیز مورد استفاده قرار گرفته است.

در کل می‌توان گفت که برای هر دستور کار مکانیکی، الکترومغناطیسی یا نرم‌افزاری و غیره که برای آن نیازی به فرمول یا دستورالعمل مطلق و شفاف ریاضی وجود نداشته باشد و دستور انجام کار به‌وسیله جملات، انشاء شده باشد، نرم‌افزار متکی به منطق فازی قابل استفاده است.

جمع‌بندی کاربردها

1.      هدایت و کنترل هرگونه دستگاه و تاسیسات پویا و حرکت‌ساز مانند: ماشین لباس‌شویی، قطارها، ترمز ای‌بی‌اس خودرو، آسانسور، جرثقیل، تسمه نقاله، موتورهای احتراقی، نشست و … .

2.      دستگاه‌های سمعی و بصری دیجیتال.

3.      جلوگیری از هنگ کردن سرورها، کنترل موتورهای جستجوگر در اینترنت، سیستم‌های نرم‌افزاری ترجمه، رباتیک و هوش مصنوعی.

4.      مهندسی پزشکی از جمله آسیب‌شناسی یا هدایت و کنترل تاسیسات سی تی اسکن، سی سی یو و آی سی یو، دستگاه ضربان‌ساز قلب.

5.      کارهای ریسک شناسی، آماری و ارزیابی بانکی جهت تصمیم‌گیری‌های مدیران.

6.      محاسبات آماری بیمه‌ها برای یافتن فاکتورهای ریسک در قراردادها.

بیشتر بخوانید: هوش مصنوعی چیست و چه آینده‌ای را برایمان رقم خواهد زد؟

اهداف علم فازی

در زمینه‌های مختلف فیزیک، مهندسی، پزشکی، زیست‌شناسی و بسیاری از امور گوناگون دیگر، دستیابی به روش‌های محاسباتی جدید مورد نیاز است. زیرا لازم است تا با بررسی، مطالعه، مدل‌سازی و حل مسائل جدید این علوم، به حل پیچیدگی روزافزون آنها، آن هم به صورتی که به شیوه‌های تفکر و تعلم خود انسان نزدیک باشد، پرداخت.

با بررسی منطق فازی می‌توان به این نتیجه رسید که هدف اصلی این است که رایانه‌ها بتوانند تا حد امکان، مسائل و مشکلات بسیار پیچیده علمی را به همان صورتی که ذهن انسان قادر به ادراک و اخذ تصمیمات سریع و مناسب است، حل و فصل کنند.

انسان بسیاری از مفاهیم در جهان واقعی را به صورت فازی درک و استفاده می‌کند. کلمات و مفاهیمی چون گرم، سرد، بلند، کوتاه، پیر، جوان به عدد دقیقی اشاره ندارند، اما ذهن انسان می‌تواند به سرعت همه را بفهمد و به کار گیرد.

اما ماشین‌ها فقط اعداد را می‌فهمند. بنابراین یکی از اهداف شیوه‌های نو در علوم کامپیوتر، این است که ماشین بتواند رمز و راز این‌گونه توانایی‌ها را از انسان بیاموزد و یاد بگیرد.

قوانین علمی فیزیک و مکانیک نیوتونی در گذشته، منطق قدیمی داشتند. در منطق قدیم دو حالت وجود داشت: سفید و سیاه، آری و خیر، روشن و تاریک، یک و صفر. البته متغیرها در طبیعت و در محاسبات نیز اینگونه‌اند و بر دو نوع‌اند.

می‌توان ارزش‌های کمی را با یک عدد معین و ارزش‌های کیفی را براساس یک ویژگی بیان کرد و باید گفت که هر دو ارزش قابل تبدیل‌اند.

در منطق فازی، هر یک از صفات براساس تابع عضویت تعریف و بین صفر تا یک ارزش‌گذاری می‌شوند. باید گفت که چون ذهن ما با منطقی دیگر کارهایش را انجام می‌دهد و تصمیم می‌گیرد، جهت شروع، ایجاد و ابداع، نیازمند منطق‌های تازه و چندارزشی است که این منطق نیز یکی از آنها است.

تفاوت میان نظریه احتمالات و منطق فازی‌

یکی از مباحث مهمی که باید به آن توجه داشت این است که باید برای منطق فازی و نظریه احتمالات در علم ریاضیات تفاوت قائل شد. زیرا معمولا نظریه فازی با نظریه احتمالات اشتباه گرفته می‌شود ولی این دو مفهوم کاملا با یکدیگر متفاوتند.

برخی از دانشمندان بزرگ علم ریاضیات در دنیا، به‌ویژه کشورهای غربی، درمورد این موضوع با یکدیگر بحث دارند و هنوز هم ریاضیدانانی هستند که با آن مخالف بوده و آن را تعبیریافته نظریه احتمالات می‌دانند.

به گفته ریاضیدانان، نظریه فازی یک برداشت نادرست از نظریه احتمالات است که توانسته تا به گونه‌ای غیرقابل قبول، مقادیر و اندازه‌گیری‌های نادقیق را وارد علوم ریاضیات و مهندسی نماید. عده‌ای نیز عقیده دارند که وجود یک نوع توصیف از مفهوم عدم‌قطعیت در علم ریاضیات کافی است.

چون علم آمار و احتمالات وجود دارد، دیگر نیازی به مراجعه به این نظریه نیست. در مقابل تعدادی از پیروان آن همچون بارت کاسکو عقیده دارند که احتمالات، شاخه و زیرمجموعه‌ای از منطق فازی است!

البته بیان تفاوت میان این دو، کار دشواری نیست. نظریه فازی با حقایق نادقیق سروکار دارد، به حدود و درجات یک واقعیت اشاره دارد اما نظریه احتمالات بر شالوده مجموعه حالات تصادفیِ یک پدیده تاکید داشته و درباره شانس وقوع یک حالت خاص صحبت می‌کند که وقتی اتفاق بیفتد، دقیق فرض می‌شود.

تفاوت ظریف و پررنگی بین نظریه احتمالات و فازی وجود دارد که اگر در آن دقت نکنیم، دچار اشتباه خواهیم شد. این دو نظریه در کنارهم و در مورد اشیای مختلف همزمان، مصداق‌هایی پیدا می‌کنند. هنگامی که یک پدیده را در نظر داریم، نوع نگاه ما به آن پدیده می‌تواند تعیین کند که باید درباره احتمالات صحبت کنیم یا نظریه Fuzzy.

در ادامه باید اشاره کرد که علت بحث میان دانشمندان این است که برخی از آنها علم آمار و احتمال را کافی می‌دانند و به عقیده آنها نیازی به نظریه فازی نیست.

منطق فازی و هوش مصنوعی

یکی از جالب‌ترین کاربردهای این نظریه، تفسیر آن از ساختار تصمیم‌گیری‌های موجودات هوشمند و در راس آنها، هوش انسانی است. با بررسی دقیق‌تر به این نتیجه می‌رسیم که چرا منطق دو ارزشی صفر و یک ریاضیات کلاسیک نمی‌تواند مفاهیم نادقیقی چون گرما و سرما را که مبنای بسیاری از تصمیم‌گیری‌های هوشمند هستند، در نظر بگیرد.

یکی از کاربردهای مهم نظریه فازی در هوش مصنوعی، بازی‌های رایانه‌ای و جلوه‌های ویژه سینمایی است. با استفاده از این نظریه می‌توان موجودات نرم افزاری را هوشمند کرد و این امر تنها گونه‌ای از کاربردهای آن در هوش مصنوعی است. البته از این منطق در هوشمند کردن روبات‌های سخت‌افزاری نیز استفاده می‌شود.

ارزیابی هوشمندانه نقشه شناختی فازی (FCM)

 مدل FCMیک نمودار علت و معلول است که نمایشگر روابط بین اجزای اساسی در نظام های پیچیده است. خبره هایی که آشنا به اجزای نظام و روابط بین آنها هستند ممکن است تعیین کننده روابط موجود در FCMباشند. زمانی که تعداد عوامل زیاد باشد و در مدل سازی به دنبال آن باشیم تا عوامل را دسته بندی کرده و در حوزه های مشخصی دسته بندی نماییم، مشکل آنجاست که با افزایش تعدادآنها و روابط بین آنها خطای بررسی عوامل بسیار افزایش می یابد و خبره به راحتی نمی تواند روابط صحیح

علت و معلولی بین عوامل را مشخص کند. بنابراین برای حل این مشکل در دسته بندی عوامل، لازماست مکانیزمی را در نظر گرفت تا با استفاده از آن بتوان روند دسته بندی عوامل و مشخص نمودن روابطعلت و معلولی صحیح را در ماتریس نهایی عوامل تسهیل کرد. در این پژوهش، هدف ارائة راهکاری برای تسهیل در روند تولید و مدل های FCMمی باشد. زمانی که تعداد عوامل زیاد باشد و در مدل سازی به دنبال آن باشیم تا عوامل را دسته بندی نموده و در حوز ههای مشخصی دسته بندی کنیم، مشکلاتیهمچون افزایش احتمال خطای بررسی رابطه میان عوامل و افزایش حجم روابطنیازمند انجام بررس یهایی توسط خبرگان و همچنین همکاری کمتر آنها درنهایی سازی نتایج تحقیق به وجود می آید. روش ارائه شده در این پژوهش به دنبالآن است تا با ایجاد یک مخزن ذخیر هسازی نتایج تحلی لهای بدس ت آمده از نظراتافراد خبره در هر مرحله و استفاده از آنها در بررسی ماتریس های بعدی، حجمبررسی های مورد نیاز خبره را تا حد امکان کاهش دهد و با ارائه ابزارهای آزمایش، نوع روابط میان گره ها را در مدل های مختلف صحه گذاری کند و تا حد امکان ازبروز خطا در مد لسازی جلوگیری نماید. بنابراین با استفاده از این مدل می توانصحت رابطه میان عوامل را با استفاده از تجارب به دست آمده در تحلیلماتریس های پیشین، مورد بررسی قرار داد.همچنین می توان از بروز خطاهاچشم پوشی کرده و در نهایت از طریق تصحیحهوشمندانه، موارد خطا را برطرف نمود و در واقع به تعداد دفعاتی که خبره دو عاملرا علت و معلول یکدیگر میداند، وزن آن عامل در علت بودن داده می شود که

می تواند سبب تصمیم گیری نهایی گردد. همچنین می توان به روش هایی برای حذفبعضی از عوامل و کوچک کردن گراف آنها نیز اشاره نمود و گراف ها را متناسب بانظر محققان، بزرگتر یا کوچکتر کرد.