In this paper, we elaborate on the

In this paper, we elaborate on the systematic design of approaches that combine quantum clustering with intelligent models for knowledge extraction, learning, and representation. Clustering techniques, which acquire certain characteristics of input data, are efficient methods of extracting knowledge from numerical data sets. They can obtain information in the form of cluster centers or relevant structural parameters. The structure and parameters are easily transformed into the initial knowledge of intelligent models. In particular, quantum clustering does not depend on conventional probability approaches but infers the centers of clusters on the basis of the Schrödinger wave equation from quantum mechanics. When used for knowledge extraction, quantum clustering can determine the cluster centers by searching for minima of the potential functions in quantum mechanics. We apply the characteristics of quantum clustering to well-known intelligent models such as the Takagi–Sugeno–Kang (TSK) fuzzy model, the zero-order fuzzy model, and the radial basis function network (RBFN) to facilitate knowledge representation. To show the usefulness of the proposed approaches in knowledge management (or extraction and representation), we use benchmark data sets and compare our results with those of previous work.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ เราอย่างละเอียดในการออกแบบระบบของวิธีที่รวมควอนตัมคลัสเตอร์กับโมเดลอัจฉริยะสำหรับการสกัดความรู้ เรียนรู้ และการแสดง เทคนิคระบบคลัสเตอร์ ซึ่งได้รับบางอย่างลักษณะของข้อมูลที่ป้อนเข้า เป็นวิธีที่มีประสิทธิภาพการสกัดความรู้จากชุดข้อมูลตัวเลข พวกเขาสามารถได้รับข้อมูลในรูปแบบของคลัสเตอร์ศูนย์โครงสร้างพารามิเตอร์ที่เกี่ยวข้อง โครงสร้างและพารามิเตอร์จะได้เปลี่ยนเป็นความรู้เบื้องต้นรุ่นอัจฉริยะ โดยเฉพาะ ควอนตัมคลัสเตอร์ขึ้นอยู่กับวิธีความน่าเป็นปกติ แต่ infers ศูนย์ของคลัสเตอร์โดยใช้สมการคลื่นวินจากควอนตัม เมื่อใช้สำหรับการสกัดความรู้ ควอนตัมคลัสเตอร์สามารถกำหนดศูนย์คลัสเตอร์ ด้วยการค้นหาสำหรับกมินิมาเป็นฟังก์ชันในควอนตัม เราใช้ลักษณะของควอนตัมคลัสเตอร์รุ่นอัจฉริยะรู้จักเช่นแบบ fuzzy ทะกะงิ – Sugeno – กัง (ทีเอสเค) แบบ fuzzy สั่งศูนย์ และเครือข่ายฟังก์ชันฐานรัศมี (RBFN) เพื่อแสดงความรู้ แสดงประโยชน์ของวิธีการนำเสนอความรู้การจัดการ (หรือสกัด และการแสดง), เราใช้ชุดข้อมูลมาตรฐาน และเปรียบเทียบผลลัพธ์ของเรากับงานก่อนหน้านี้

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราทำอย่างละเอียดในการออกแบบระบบของวิธีการที่รวมการจัดกลุ่มควอนตัมที่มีรูปแบบความคิดสร้างสรรค์ในการสกัดความรู้, การเรียนรู้และการเป็นตัวแทน เทคนิคการจัดกลุ่มที่ได้รับลักษณะบางอย่างของการป้อนข้อมูลเป็นวิธีการที่มีประสิทธิภาพในการสกัดความรู้จากชุดข้อมูลตัวเลข พวกเขาสามารถได้รับข้อมูลในรูปแบบของศูนย์กลุ่มหรือพารามิเตอร์ของโครงสร้างที่เกี่ยวข้อง โครงสร้างและพารามิเตอร์จะเปลี่ยนได้อย่างง่ายดายในความรู้เริ่มต้นของรุ่นที่ชาญฉลาด โดยเฉพาะอย่างยิ่งการจัดกลุ่มควอนตัมไม่ขึ้นอยู่กับความน่าจะเป็นวิธีการแบบเดิม แต่อนุมานศูนย์รวมของกลุ่มบนพื้นฐานของสมการคลื่นSchrödingerจากกลศาสตร์ควอนตัม เมื่อนำมาใช้ในการสกัดความรู้การจัดกลุ่มควอนตัมสามารถตรวจสอบศูนย์คลัสเตอร์โดยการค้นหาน้อยของฟังก์ชั่นที่มีศักยภาพในกลศาสตร์ควอนตั เราใช้ลักษณะของการจัดกลุ่มควอนตัมที่จะรู้จักกันดีในรูปแบบที่มีความคิดสร้างสรรค์เช่นทาคากิ-Sugeno กัง (TSK) รูปแบบเลือนศูนย์สั่งเลือนรูปแบบและฟังก์ชั่นเครือข่ายพื้นฐานรัศมี (RBFN) เพื่ออำนวยความสะดวกการแทนความรู้ เพื่อแสดงให้เห็นประโยชน์ของว​​ิธีการที่นำเสนอในการจัดการความรู้ (หรือการสกัดและการเป็นตัวแทน) เราจะใช้ชุดข้อมูลมาตรฐานและเปรียบเทียบผลของเรากับผู้ที่ทำงานก่อนหน้า

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เราซับซ้อนในการออกแบบอย่างเป็นระบบ วิธีการที่รวมกลุ่มกับควอนตัมแบบฉลาดการสกัดความรู้ การเรียนรู้ และการเป็นตัวแทน เป็นเทคนิคที่ได้รับลักษณะบางอย่างของข้อมูล เป็นวิธีการที่มีประสิทธิภาพของการสกัดความรู้จากชุดข้อมูลเชิงตัวเลขที่พวกเขาสามารถได้รับข้อมูลในรูปแบบของศูนย์กลุ่มหรือตัวแปรโครงสร้างที่เกี่ยวข้อง ตัวแปรโครงสร้างและเปลี่ยนได้ง่ายในความรู้เบื้องต้นของรุ่นอัจฉริยะ โดยเฉพาะกลุ่มควอนตัมไม่ได้ขึ้นอยู่กับความน่าจะเป็นแบบปกติ แต่จะพบแนวศูนย์กลางของกลุ่มบนพื้นฐานของคลื่น สมการของชเรอดิงเงอร์จากกลศาสตร์ควอนตัมเมื่อใช้ในการสกัดความรู้ ควอนตัมสามารถกำหนดกลุ่มคลัสเตอร์ศูนย์โดยการค้นหาไม่นี่ ม๊าของศักยภาพการทำงานในกลศาสตร์ควอนตัม เราใช้ลักษณะของควอนตัมการจัดกลุ่มแบบฉลาดที่รู้จักกันดีเช่นทาคากิ– sugeno –คัง ( จุ๊ ) แบบจำลองฟัซซี่ , ศูนย์เพื่อนำรุ่นและรัศมีพื้นฐานการทำงานของเครือข่าย ( rbfn ) เพื่อความสะดวกในการแสดงความรู้ เพื่อแสดงประโยชน์ของการเสนอแนวทางในการจัดการความรู้ ( หรือการสกัดและการเป็นตัวแทน ) เราใช้มาตรฐานชุดข้อมูลและเปรียบเทียบผลลัพธ์ของเรากับของงานก่อนหน้านี้