در این مقاله، تولید یک سری قوانین تفسیرپذیر فازی جهت انتساب توالی اسیدهای آمینه به دسته های مناسب پروتئینی بحث شده است. بدلیل اهمیت تفسیرپذیری قوانین در این سیستم کلاسه بند، از توزیع اسیدهای آمینه در توالی پروتئین ها به عنوان ویژگی استفاده شده که نشان دهنده احتمال رخداد شش گروه مبادله ای از اسیدهای آمینه در توالی هاست. برای تولید قوانین فازی از نسخه اصلاح شده یک روش مرسوم استفاده شده تا قوانینی ساده و قابل فهم (بویژه برای زیست شناسان) تولید شوند. جهت ارزیابی قوانین تولیدی، چهاردسته پروتئینی از پایگاه داده UniPort استخراج شده و سیستم کلاسه بند فازی روی آنها آزمایش شده است. نتایج آزمایشات نشان می دهد که قوانین تولیدی ساده و قابل فهم بوده و از دقت مناسبی در مقایسه با دیگر روش های کلاسه بندی برخوردارند.

شبکه های عصبی IAFC پیشنهاد شده هم دارای پایداری و هم انعطاف پذیری می باشند، زیرا از ساختار کنترلی شبیه به شبکه های عصبی ART-1 استفاده می کنند. شبکه های عصبی IAFC بدون نظارت شبکه هایی با یادگیری بدون نظارت هستند که از قانون یادگیری نشت دار فازی استفاده می کنند. این قانون یادگیری به وسیله مقادیر (درجات) عضویت، میزان به هنگام کردن را کنترل می کند. شبکه های عصبی IAFC با نظارت شبکه هایی با یادگیری با نظارت هستند که از نسخه های فازی LVQ استفاده می کنند. در این مقاله، چندین الگوریتم مهم یادگیری وفق پذیر از دیدگاه ساختار و قانون یادگیری مقایسه می شوند. کارایی چندین الگوریتم یادگیری وفق پذیر با استفاده از مجموعه داده Iris مقایسه می شود.

تصمیم گیری یکی از مهمترین موضوعات مورد بررسی در تحقیقات نظامی بشمار می رود. یکی از چالش های موجود در این بحث وجود عدم قطعیت در محیط های جنگی می باشد که تاثیرات مخربی بر کیفیت و دقت تصمیم گیری می گذارد. در مقاله هروی و همکارانش، چاپ شده در سال 2013، بکارگیری ترکیبی از دو موضوع عامل های شناختی و دسته بندی بر اساس قوانین وابستگی فازی به عنوان زمینه های موثر و پرکاربرد، توانسته بود تا حدودی این مساله را کمرنگ کرده و سعی در کاهش عدم قطعیت داشته باشد. ولی هم چنان در شرایط حساس و بحرانی، نیاز به سرعت عمل بیشتر با حذف قوانین نامعتبر و ناکارای استخراج شده در اتخاذ تصمیم های موثرتر قابل انکار نیست.هدف این مقاله، بهره گیری از ظرفیت های الگوریتم ژنتیک در انتخاب قوانین واقع بینانه تر به عنوان یک روش فراابتکاری در تکمیل روش قبلی بصورت ترکیبی، برای کاهش هرچه بیشتر عدم قطعیت در تصمیم گیری ها می باشد. نتایج تجربی بدست آمده در مقایسه با روش پیشین، به روشنی نشان می دهد که این ترکیب علاوهبر مزیت های روش قبل، بدلیل کاهش هرچه بیشتر قوانین تولید شده برای اتخاذ تصمیم، قابل فهم تر، دقیق تر و ریسک پذیری عاقلانه تری دارد.

دسته بندی پرسش ها یکی از مولفه های حیاتی سیستم های بازیابی اطلاعات و پاسخ گویی به پرسش است. هدف از دسته بندی پرسش، شناسایی دقیق نوع پاسخ موردانتظار آن و انتساب برچسبی به آن مطابق با دسته ای است که پرسش در آن قرار می گیرد. تاکنون با دو رویکرد مبتنی بر قانون و یادگیری ماشین، پژوهش های متعددی در این حوزه صورت پذیرفته است. هدف ما در این پژوهش تلفیق نتایج این دو رویکرد به منظور افزایش صحت دسته بندی است. نوآوری اصلی ارائه شده در این پژوهش، غنی سازی بردار ویژگی کیسه کلمات حاصل از پرسش ها با قوانین دسته بندی است. اهمیت روش تلفیق ارائه شده در این مقاله امکان استفاده از مخازن قوانین با ساختار طبقه بندی متفاوت نسبت به ساختار موجود برای دسته بندی پرسش ها است. نتایج حاصل از پیاده سازی روش پیشنهادی بر دادگان UIUC بیانگر موثر بودن روش پیشنهادی در بهبود صحت دسته بندی پرسش ها است.

هدف: بررسی چهار قانون معروف در حوزه کتاب سنجی و علم سنجی (لوتکا، برادفورد، زیپف، و پرتو) از زاویه دسته بندی داده های آنها بر اساس توزیع فراوانی.روش / رویکرد پژوهش: روش سندی- تحلیلی. با بررسی داده های مرتبط با قواعد چهارگانه علم سنجی به دسته بندی داده ها بر اساس توزیع فراوانی آنها پرداخته است.یافته ها: شکل اولیه داده ها در این چهار توزیع، حاوی رتبه هر موجودیت، فراوانی ویژگی مورد مطالعه، و مقدار فراوانی مطلق آن ویژگی در آن موجودیت است. در هریک از این قوانین، موجودیت ها بر اساس میزان فراوانی در ویژگی مورد نظر به چند دسته تقسیم می شوند: پرتو (2 دسته)، برادفورد (3 دسته)، لوتکا (به تعداد حداکثر فراوانی)، و زیپف (به تعداد واژگان متن). نتیجه گیری: نتایج مربوط به نحوه دسته بندی موجودیت ها و تعیین تعداد موجودیت های درون هر دسته حاکی از آن است که تفاوت بین فراوانی دسته ها تابع یک توزیع مشخص است. قوانین چهارگانه را می توان برای دسته بندی موجودیت های مختلف بر اساس ویژگی های متعدد تعمیم داد.