event is
که i=1,2,…,M و M تعداد قانون‌ها‌‌ی بین وقایع و خطاها است. و به الگوهای خطایی که توسط سنسور S1 برای می‌‌باشد؛ ارائه‌شده‌است. نکته اینکه، به دلیل چند متغیره بودن ذات استنتاج منجر به استفاده از اپراتور AND شده‌ایم .و با فرض اینکه الگوی حاصل‌شده از سنسورها بطور وسیعی از نظر شدت در خطا متفاوت‌‌‌می‌‌باشند. ما نیاز به ذخیره تنها یک الگوی نماینده برای

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

شکل (۴-۴): تصویر مقایسه شباهت بین دو ترند ‌[۹]
هر سنسور و هر خطا داریم. و قانون برتر تنها شامل یک نماینده از الگوی خطایی است. و اگر خطا‌ها‌‌ با سطوح مختلف همچون زیاد، متوسط، به اندازه وکم ‌‌‌شبیه‌سازی ‌شده‌باشند. سطح متوسط خطا بعنوان مبنای سنجش سایر خطاهای مناسب کافی است.
۴-۴ تخمین سنجش تشابه با بهره گرفتن از تطبیق فازی
در این رویکرد سه نوع از سنجش مورد بررسی قرار‌‌‌می‌‌گیرد:
۱.تطبیق شباهت بین دو الگو
۲.سنجش شباهت بین دو ترند یا واقعه
۳.سنجش شباهت کلی بین دو سناریوی خطا
در ‌‌‌اندازه‌گیری تشابه، ممکن است؛ کاربردهای مختلفی از روش‌ها‌‌ی گوناگونی استفاده‌گردد. در این بخش به دو نوع شباهت که تشابه ساده و تشابه با بیشترین وزن است خواهیم‌پرداخت.
اگر مجموعه هفت شکل هندسی اولیه را با نام A تا G بنامیم. همگی از نظر تشابه نسبی با همدیگر در ارتباط خواهند‌بود. به همین منظور یکی از راه‌ها‌‌ی شناسایی وقایع با رشته‌ها‌‌ی بیشتر از دو، تفاوت در ‌ها‌‌ است. به عنوان مثال سمبول B وC از نظر تشابه به هم نزدیک‌ترند تا دو سمبولB و E برای‌اینکه بتوانیم شباهت کلیه الگوهای اولیه را نسبت به هم تعیین کنیم. یک ماتریس تشابه مطابق با
جدول (۴-۱) که درایه افقی و عمودی (i,j) آن نشانگر سمبولها و درایه‌ها‌‌ی عددی بین صفر و یک میزان شباهت نسبی هر سمبول به همدیگر است را در نظرگرفت.
نماد معیار شباهت نسبی دو سمبل در بازه [۰,۱] را نشان‌‌‌می‌‌دهد. البته در مورد ماتریس تشابه برخی از سمبل‌ها‌‌ مثل Dو G رفتاری کاملا متفاوت‌‌دارند که در جدول با مقدار صفر تعیین‌ شده‌است.
تشابه‌‌‌می‌‌تواند؛ به عنوان یک قاعده فکری تلقی شود. برای شناسایی یک واقعه ناشناخته و توصیف آن با رشته‌ها‌‌ی اولیه مستلزم در نظر‌گرفتن خطا‌ها‌یی در تبدیلات با بیشترین و کمترین معیار شباهت خواهد‌بود. که کمترین تعداد تبدیلات خطایی در مشتق بین دو سمبل x و y عبارتند از: تعویضی، جاسازی و حذفی به عنوان گرامر خطای تبدیلات تعریف‌می‌شود ‌[۹].
فاصله لولشتاین وزنی که با سه ضریب برای دو سمبل x و y بصورت زیر نشان داده‌می‌شود
(۴-۲) d(x,y)=min{
۴-۴-۱ تطبیق شباهت بین دو الگو
کلید شباهت بین دو الگو تطبیق جزئی بین الگو‌ها‌‌ بوده و برای‌این کار نیاز به ماتریس تشابه خواهدبود. جدول(۱-۴).
جدول (۴-۱) ماتریس تشابه
که در این ماتریس اگر علامت‌ها‌‌ی مشتق اول در تضاد باهم باشند میزان تشابه صفر ودر غیر‌این‌صورت تشابه غیر‌صفر و مقدار آن بین صفر تا یک خواهد‌بود.
۴-۴-۲ همسان‌سازی زمانی سگمنت‌ها
برای دستیابی به سنجش تشابه مناسب نیاز به همسان‌نمودن سگمنت‌ها از نظر زمانی است. یعنی زمان تعریف شده برای هر دو سگمنتی که در الگوریتم استخراج بدست‌ آمده‌ باید یکسان و دارای بازه زمانی منطقی‌ ‌باشند. تا الگوریتم سنجش با دقت بالایی انجام‌پذیرد. در همسان‌سازی‌ کمترین و بیشترین طول بازه زمانی سگمنت‌ها با در نظرگرفتن زمان ابتدایی و انتهایی صورت‌می‌گیرد و سگمنتی که بازه زمانی بیشتری دارد به اندازه سگمنتی که باز کمتری دارد، شکسته ‌شده و الگوریتم سنجش با همسان‌سازی‌ و لحاظ نمودن مشخصه سگمنت‌ها (یعنی اسامی هفت شکل اصلی) در بازه زمانی جدید شکل‌می‌گیرد. شکل (۴-۵)

شکل (۴-۵): همسان‌سازی زمانی سگمنت‌ها
به‌بیانی‌دیگر؛ با ایجاد یک بستر زمانی یکنواخت بنام = که و زمان‌های مربوط به سکمنت‌های الگو و سگمنت مورد مقایسه، و مرتب‌سازی شده و بازه‌های زمانی ابتدایی و انتهایی بنحوی‌که برای هریک از سگمنت‌ها این‌ زمان‌ها یکسان باشد؛ صورت ‌می‌پذیرد. در حقیقت با عمل همسان‌سازی دقت و اندازه‌گیری در سنجش ارتقاء بخشیده‌شده و سگمنت‌های متوالی براحتی با برابری زمانی بوجودآمده مورد سنجش قرارمی‌گیرند.
بازه‌های زمانی برای مربوط به قبل از همسان‌سازی:
={,@ ,@}
بازه‌های زمانی برای مربوط به بعد از همسان‌سازی:
={,@ ,@ ,@ ,@ ,@ }
بازه‌های زمانی برای مربوط به قبل از همسان‌سازی:
{,@ ,@}
بازه‌های زمانی برای مربوط به بعد از همسان‌سازی:
{,@ ,@ ,@ ,@ ,@ }
۴-۴-۳ سنجش شباهت بین دو ترند یا واقعه
دو واقعه = [ و = [ که S را در‌نظر‌بگیرید برای مقایسه هر دو ترند یک کف و مبنای زمانی یکنواخت تعریف‌‌‌می‌‌کنیم
=
و تعداد فواصل در را R می‌‌نامیم. که همان طول می‌‌باشد.
: برای ‌‌‌اندازه‌گیری تشابه ساده از رابطه (۳-۴) استفاده‌می‌‌نماییم.
(۴-۳) =
: در رابطه (۴-۴) معیار تشابه با وزن‌ها‌‌ی بیشتر در فواصل طولانی محاسبه‌‌‌می‌‌شوند. هدف رسیدن به حداکثر میزان تشابه بین و است. که با انتخاب مقادیر ماکزیمم بین به این هدف خواهیم‌رسید رابطه (۴-۵).
(۴-۴) =
(۴-۵) SI^[87]=max()
طرح بهبود یافته‌ای از تطبیق الگوها با فرض اینکه اگر اولین مشتق الگوها یکسان‌باشند (مثل الگو B و C) در حالت کلی تشابه حاصل از دو آیتم تشابه مبتنی‌بر اشکال هندسی اولیه در دو الگوی ( ) از رابطه (۴-۶) بدست ‌‌‌می‌‌آید شکل (۴-۵).
(۴-۶)
شکل (۴-۶): دیتای نرمالایز‌شده بین صفرو یک (تطبیق)
آیتم بعدی فاکتور پنالتی یا میزان خطای پرش مربوط به دامنه در دو الگوی ( ) است که از رابطه (۴-۷) بدست‌‌‌ می‌‌آید شکل (۴-۶).
(۴-۷)
a دامنه الگوی وb دامنه الگوی
واریانس ضریب دامنه است که اختلاف پهنای پنالتی (خطای پرش) دامنه را کنترل‌‌‌می‌‌کند و در بهترین حالت آن برای رسیدن به تشابه بالا تعریف ‌می‌شود.
شکل (۴-۷): اختلاف بزگترین دامنه در الگوها (پنالتی)
۴-۴-۳ سنجش شباهت کلی بین دو سناریوی خطا
برای فرآیندهای چند‌متغیره سنجش تشابه کلی، بین دو سناریو می‌‌بایست. در همه سنسورها در نظر گرفته شود‌. AND فازی با بهره گرفتن از اپراتور min اجرا‌شده و این به‌دلیل‌این است که در دسته‌بندی خطاها، نیازمند حداقل تفاوت‌ها‌‌ هستیم. اگر n تعداد سنسورها باشد. سنجش تشابه یا CI معرف احتمال وقوع یک خطای خاص با است. جایی که سنجش تشابه بین ترند k امین سنسور در دو سناریو است. این روش در بسیاری از جنبه‌ها‌‌ی ویژه از قبیل نرمالایز دامنه، پنالتی برای اختلاف‌ها‌‌ی زیاد در دامنه، تطبیق در یک بستر زمانی مشترک و استفاده از اپراتور min برای سنجش تشابه چند متغیره، مقاوم خواهد ‌بود.
۴-۴-۴ اطلاعات کمی-تغییرات دامنه خطا