بهبود تخصیص‌اعتبار قوانین در سیستم دسته‌‌بندیادگیر با یادگیری تقویتی مارکوف برای پیش‌‌بینی ساختار دوم پروتئین

این پژوهش برای افزایش دقت تخصیص‌ اعتبار قوانین در سیستم دسته‌ بند یادگیر با استفاده از یادگیری تقویتی مارکوف جهت پیش‌ بینی ساختار دوم پروتئین ‌است که یادگیری تقویتی مارکوف در سیستم دسته‌ بند یادگیر، جایگزین الگوریتم bucket brigade ‌شده‌ است. برای آموزش سیستم از مجموعه دادگان protein data bank استفاده‌‌ می‌شود که شامل پروتئین 4l1w با تعداد نمونه 5741 است که 70 درصد برای آموزش و 30 درصد جهت آزمایش استفاده‌ شده‌ است. پس از آموزش سیستم، تعدادی دسته‌ بند(قوانین) باارزش، تولید‌ می‌شود که در مرحله آزمایش از این قوانین برای پیش‌ بینی ساختار دوم پروتئین استفاده‌ خواهد شد. نتایج آزمایش‌ها نشان‌ می‌دهد دقت سیستم دسته‌‌ بند یادگیر با یادگیری تقویتی مارکوف در نوع ساده و توسعه‌ یافته آن، افزایش‌ یافته‌ است. با استفاده از یادگیری تقویتی مارکوف، ارزش‌گذاری به هر قانون بهبود داده‌ می‌شود، به گونه‌ای که دقت سیستم دسته‌بند ساده %82.5 و سیستم دسته‌بند توسعه یافته %85 بهبود یافته‌ است.

improving credit assignment in a learning classier system with markov reinforcement learning for protein secondary structure prediction

in this research, markov reinforcement learning has been used to predict the second structure of the protein to assign the validity of the classifier system and the accuracy of the classifier. markov reinforcement learning is used in the learning cluster system instead of the bucket brigade algorithm. the protein data bank dataset has been used for learning and training the system. 4l1w protein with 5741 samples, 70% for learning and 30% for training. after training the system, a number of valuable rules were produced, which were used in the test phase to predict the second structure of the protein. the results of the experiments showed that the learning of the improved learner classifier system and the improved extended learner classifier increased with markov reinforcement learning. considering that in markov reinforcement learning, the scoring response is improved for each rule or classifier. therefore, a more complete scoring method has been performed and the prediction accuracy of each rule or 85 classifiers has been improved.