پایان نامه انتخاب خوشه بندی ترکیبی با درنظرگرفتن کیفیت و تنوع

اختصاصی از فی دوو پایان نامه انتخاب خوشه بندی ترکیبی با درنظرگرفتن کیفیت و تنوع دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word 2010

حجم فایل:685 کیلوبایت

تعداد صفحه:69
 
چکیده
انتخاب خوشه­بندی ترکیبی[1] با در نظر گرفتن کیفیت[2] و تنوع[3]به وسیله:
  این موضوع بسیار محتمل است که افرازی موجود باشد که آن افراز از طریق یک معیار پایداری[4] به عنوان یک معیار بد، داوری[5] شود در حالیکه آن افراز یک خوشه بسیار با ارزش[6] یا بیشتر را، شامل شود؛ و بعد آن خوشه کاملا نادیده گرفته می­شود. بنابراین، با الهام گرفتن از ارزیابی افرازها[7]، محققان به تعریف معیارهایی برای ارزیابی خوشه­ها پرداختند. معیارهای پایداری بسیاری مانند اطلاعات متقابل نرمال شده[8] برای اعتبارسنجی یک افراز[9]، پیشنهاد شده­اند. این معیارهای پیشنهاد شده، بر اطلاعات متقابل نرمال شده، بنا می­شوند. اشکال تکنیکی که بطور رایج استفاده می­شود در این مقاله بحث خواهد شد و یک معیار برای ارزیابی وابستگی[10] بین یک خوشه و یک افراز پیشنهاد می­شود که آن معیار، معیار اطلاعات متقابل نرمال و تصحیح شده، ENMI[11]، گفته می­شود. معیار ENMI اشکال معیار اطلاعات متقابل نرمال شده معمولی، NMI[12]، را تصحیح می­کند. همچنین، یک روش خوشه­بندی ترکیبی، که مبتنی بر تجمیع[13] زیرمجموعه­ای از خوشه­های اولیه[14] است، نیز پیشنهاد می­شود. روش پیشنهادی از میانگین ENMI[15] به عنوان معیار برازندگی[16] برای انتخاب تعدادی از خوشه­ها استفاده می­کند. خوشه­هایی که یک آستانه از پیش تعریف شده[17] مربوط به معیار ذکر شده را ارضا کنند، برای شرکت در ترکیب نهایی انتخاب می­شوند. برای ترکیب خوشه­های انتخاب شده مجموعه­ای از شیوه­های تابع توافق[18] بکار گرفته می­شود. یک کلاس از توابع توافق استفاده شده، توابع توافق مبتنی بر همبستگی[19] می­باشد. بخاطر اینکه روش خوشه­بندی انباشت مدرک، EAC[20]، نمی­تواند ماتریس همبستگی[21] را از مجموعه­ای از خوشه­ها بیرون بکشد، EAC توسعه یافته، EEAC[22]، برای ایجاد ماتریس همبستگی از مجموعه خوشه­های انتخاب شده بکار گرفته می­شود. دومین کلاس توابع توافق استفاده شده، بر الگوریتم­های افرازبندی ابر گراف[23] بنا می­شود. کلاس دیگری از توابع توافق استفاده شده، خوشه­های انتخاب شده را به عنوان یک فضای ویژگی[24] جدید در نظر می­گیرد و از یک الگوریتم خوشه­بندی ساده برای استخراج افرازبندی توافقی[25] استفاده می­کند. مطالعات تجربی نشان می­دهد که روش پیشنهادی از ترکیب­هایی که تاکنون شناخته شده­اند بهتر عمل می­کند و ترکیب مناسب­تری از خوشه­بندها را انتخاب می­کند.
واژه­های کلیدی: خوشه­بندی ترکیبی، معیار پایداری، پایداری بهبود یافته[26]، انباشت مدرک[27]، EAC بهبود یافته، ماتریس همبستگی، ارزیابی خوشه[28].

مقدمه
تشخیص الگو[1] تقریبا در تمام زمینه­های علمی استفاده شده است (N. Pattanasri, 2012). با این حال در دهه اخیر شیوه­های ترکیبی به عنوان یک شیوه قدرتمند، تقریبا در تمام زیر رشته­های تشخیص الگو در بین جوامع هوش مصنوعی[2] پدیدار شده­اند و آن اخیرا در رده­بندی نیز مورد توجه قرار گرفته است (R.R. Derakhshani, 2011؛ C.H. Wu, 2011؛ J. Wagner, 2011).
خوشه­بندی داده[3] یا یادگیری بدون نظارت[4] یک مساله پر چالش و مهم می­باشد. هدف خوشه­بندی افراز مجموعه­ای از اشیا بدون برچسب، به گروه­ها یا خوشه­های همگن[5] است (R.O. Duda, et al. 2001). کاربردهای زیادی وجود دارد که از تکنیک­های خوشه­بندی[6] برای کشف ساختارهای موجود در داده­ها استفاده می­کنند مانند داده­کاوی[7] (R.O. Duda, et al. 2001)، بازیابی اطلاعات[8]، قطعه­بندی تصویر[9]، و یادگیری ماشین[10] (A. Fred and A.K. Jain, 2005). در مسائل واقعی[11]، خوشه­ها می­توانند با شکل­­ها، اندازه­ها، درجات پراکندگی داده[12]، و درجات جدایی[13] متفاوت ظاهر شوند. تکنیک­های خوشه­بندی به تعریف یک معیار تشابه[14] بین هر جفت الگو نیاز دارد. به علت فقدان هیچ دانش قبلی درباره شکل­ها و ساختارهای خوشه، انتخاب یک روش خوشه­بندی تخصصی[15] آسان نیست (V. Roth, et al. 2002).
مانند همه زیر رشته­ها در تشخیص الگو و رده­بندی[16]مطالعات ترکیب خوشه[17] نیز در سال­های اخیر گرایش به شیوه­های ترکیبی[18] داشته­اند (K. Faceli, et al. 2006). شیوه­های ترکیب خوشه می­کوشند تا یک راه حل خوشه­بندی مستحکم­تر[19] و بهتر -از طریق آمیختن اطلاعات[20] از چندین افرازبندی داده­ای اولیه[21]- پیدا کنند (.G. Ayad, and M.S. Kamel, 2008). خوشه­بندی ensembles، (C. Domeniconi, and M. Al-Razgan, 2009؛ J. Ghosh, and A. Acharya, 2011؛ R. Ghaemi, et al. 2011)، ****[22]. افراز توافقی باید بهترین افراز نماینده[23]، برای همه خوشه­بندی­های اولیه[24] موجود در ترکیب باشد. افراز توافقی آن افرازی است که یک تابع هدف معین[25] را بهینه می­کند.
به طور عمومی، دو گام اصلی در خوشه­بندی ترکیبی وجود دارد: الف) ایجاد تعدادی افرازبندی ضعیف[26]، ب) تجمیع[27] افرازبندی اولیه بدست آمده. گام نخست ایجاد تعدادی افراز ضعیف می­باشد. بخاطر آنکه هر افرازبندی اولیه­ای یک جنبه پنهان داده[28] را آشکار می­کند، ترکیب­شان می­تواند اشکال­های انفرادیشان[29] را پوشش دهد. بنابراین، نتایج اولیه برای تا حد ممکن متنوع بودن نیاز می­شوند تا اطلاعات بیشتری درباره الگوهای پنهان موجود در داده[30] را ارائه دهد. روش­های بسیاری برای ایجاد تنوع لازم در نتایج اولیه پیشنهاد شده است. برای انجام این کار، ساده­ترین راه استفاده از الگوریتم­های خوشه­بندی مختلف می­باشد. بعضی روش­های دیگر از این راه­ها چنین کاری را انجام می­دهد: مقداردهی اولیه[31] متفاوت، پارامترهای الگوریتمی متفاوت، زیرمجموعه­ای از ویژگی­ها، نگاشت[32] داده به فضاهای ویژگی دیگر (.G. Ayad, and M.S. Kamel, 2008)، نمونه­برداری مجدد داده[33] (B. Minaei-Bidgoli, et al. 2004). در این مقاله نمونه­برداری مجدد، الگوریتم­های پایه متفاوت، مقداردهی اولیه متفاوت و پارامترهای متفاوت برای فراهم کردن تنوع لازم در نتایج اولیه، استفاده می­شوند. دومین گام اصلی در خوشه­بندی ترکیبی، ترکیب[34] افرازبندی­های اولیه حاصل از گام نخست است. جمع کننده مبتنی بر ماتریس همبستگی[35]، یکی از رایج­ترین شیوه­های ترکیب افراز اولیه است که در این مقاله نیز بکار برده می­شود. خوشه­بندی انباشت مدرک (EAC) [36] که نخست توسط فرد و جین[37] پیشنهاد می­شود، افرازهای داده­ای انفرادی[38] موجود در یک خوشه­بندی ترکیبی را، به یک معیار تشابه بین-الگویی جدید[39]، با خلاصه­سازی ساختارهای درون-الگویی[40] مشاهده شده از این خوشه­بندی­ها، نگاشت می­کند. افراز داده نهایی با اعمال روش تک-پیوند[41] با این ماتریس تشابه جدید بدست آورده می­شود(A. Fred and A.K. Jain, 2002).
برای ارزیابی یک خوشه، معیار NMI[42] (اطلاعات متقابل نرمال شده) (A. Fred and A.K. Jain, 2005) ضعف[43]­های زیادی دارد که در (H. Alizadeh, et al. 2011) تشریح شده است. علیزاده و همکاران نسخه دیگری از NMI که روش M
AX نامیده شده را پیشنهاد می­کنند. آنها همچنین نشان دادند که روش MAX نیز اشکال­هایی دارد، بنابراین آنها معیار دیگری که APMM نامیده شده را پیشنهاد می­کنند، که این اسم ابتدای اسامی نویسندگان آن است (H. Alizadeh, et al. 2011). کارهای پیشین از یک اثر نامناسب که در آن خوشه مکمل[44] از روی معیار خوشه ساخنه می­شود، رنج می­برند. بنابراین این مقاله یک معیار جدیدی برای ارزیابی یک خوشه معرفی می­کند که در آن ارزیابی تشابه میانگین مربوط به خوشه، از طریق حذف اثر خوشه مکملش، با خوشه­های دیگر خواسته می­شود.
در این مقاله یک روش خوشه­بندی ترکیبی نیز پیشنهاد می­شود که زیرمجموعه­ای از خوشه­های اولیه را استفاده می­کند. یک معیار اعتبار[45] جدید که stab نامیده می­شود برای ارزیابی خوبی خوشه[46] پیشنهاد می­شود. هر خوشه که یک آستانه[47] از stab را ارضا کند می­تواند برای شرکت در پیدا کردن افراز توافقی در نظر گرفته شود. برای ترکیب خوشه­های انتخابی، مجموعه­ای از روش­های تابع توافق بکار برده می­شوند. یک کلاس از توابع توافق استفاده شده، توابع توافق مبتنی بر همبستگی[48] می­باشد. از آنجا که روش EAC نمی­تواند ماتریس همبستگی را از زیرمجموعه­ای از خوشه­ها بیرون بکشد خوشه­بندی انباشت مدرک توسعه­یافته (EEAC) [49] برای تولید ماتریس همبستگی از زیرمجموعه انتخابی خوشه­ها بکار برده می­شود. دومین کلاس توابع توافق مورد استفاده، بر الگوریتم­های افرازبندی ابرگراف[50] بنا می­شود. کلاس دیگر توابع توافق مورد استفاده، خوشه­های انتخابی را به عنوان یک فضای ویژگی جدید در نظر می­گیرد و الگوریتم خوشه­بندی ساده­ای را برای استخراج افراز توافقی بکار می­برد.
 
پیش زمینه
  هنگامی که هر یک از خوشه­بندی­­های پایه روی زیرداده­ خاصی[51] خوب کار می­کند، خوشه­بندی ترکیبی تلاش می­کند تا به یک افراز توافقی مستحکم، و بطور همزمان بهینه برسد (.G. Ayad, and M.S. Kamel, 2008؛ A. Fred and A. Lourenco, 2008؛ A. Strehl and J. Ghosh, 2002؛ A.P. Topchy, et al. 2003). بطور کلی خوشه­بندی ترکیبی composes of two main parts: الف) استخراج افراز متفاوت زیادی خارج از داده که این قسمت ایجاد تنوع[52] نامیده می­شود و ب) تجمیع آنها در یک افراز توافقی از طریق روشی که تابع توافق نامیده می­شود (این دو قسمت با جزئیات بیشتر در ذیل توصیف می­شود).
استفاده از یک خوشه­بندی پایه با مقداردهی­های اولیه متفاوت منبعی از تولید تنوع مورد نیاز برای یک ترکیب بوده است. در این مسیر الگوریتم k-میانگین[53] بیشترین سهم را برای ایجاد تنوع مورد نیاز در یک ترکیب را دارد (B. Minaei-Bidgoli, et al. 2004؛ B. Minaei-Bidgoli, et al. 2011). بعد از ایجاد ترکیب متنوعی از افراز­های پایه نیاز به بکار گیری یک الگوریتم به منظور تجمیع آنها در یک افراز توافقی می­باشد. این الگوریتم همچنین معمولا بعنوان تابع توافق نیز خوانده می­شود. استفاده از یک ماتریس همبستگی که افراز­های پایه را نمایش می دهد و سپس استخراج یک افراز از آن ماتریس از طریق بکارگیری یک الگوریتم خوشه بندی سلسله مراتبی[54] مانند تک پیوند[55] یکی از رایج­ترین روش­ها می­باشد. روش EAC که بر ماتریس همبستگی بنا می­شود نخست توسط فرد و جین[56] معرفی شد (A. Fred and A.K. Jain, 2002) و خیلی زود یک روش محبوب شد.
توابع توافق دیگر بر الگوریتم­های افرازبندی ابرگراف[57] بنا می­شوند (A. Strehl and J. Ghosh, 2002). استرل و گوش[58] مفهوم افراز توافقی را معرفی کرده­اند. آنها سه تابع توافقی مبتنی بر مفهوم ابرگراف پیشنهاد کرده­اند. آنها ترکیب خوشه بندی­های پایه درون یک ابرگراف را طرح ریزی کرده­اند. رئوس[59] موجود در ابرگراف، نمونه­ها[60] هستند. لبه[61]­های ابرگراف خوشه­ها هستند یعنی لبه­ها ممکن است به بیش از دو راس متصل باشند، بنابراین یک لبه در ابرگراف ابرلبه[62] نامیده می­شود. با روش­های پیشنهاد شده توسط ریاضیدانان برای افراز ابرگره با کمترین برش[63] آنها رئوس یا نمونه­ها را خوشه­بندی کرده­اند. برای کاهش k-برش[64] از ابرگراف به k خوشه تاکنون تعدادی ابتکارات بطور خوب سازمان یافته[65]، برای حل k-روش مساله افرازبندی کمترین-برش[66] معرفی شده­اند. سه الگوریتم ابرگراف، CSPA، HGPA، و MCLA، توصیف خواهد شد.
در CSPA، فضای ویژگی اصلی درآغاز در یک فضای داده­ای همبسته طرح­ریزی می­شود. سپس با درنظر گرفتن این ماتریس بعنوان یک گراف یک الگوریتم مانند METIS بر داده طرح­ریزی شده برای خوشه کردن آنها اعمال می­شود. لازم است گفته شود که METIS الگوریتمی است که یک ابرگراف را به تعدادی جزء[67] افراز می­کند که کمترین برش را دارد. CSPA ساده­ترین روش ابتکاری میان سه روش می­باشد. این روش زمانبرترین[68] آنها نیز می­باشد. الگوریتم HGPA فرض می­کند که رئوس، *************.
الگوریتم METIS بر گراف تعریف شده برای خوشه کردن رئوس یا نمونه های دیتا اعمال می شود. MCLA تلاش می کند تا خوشه­های بدست آمده در افراز­های پایه ترکیب را خوشه­بندی کند. سپس یک مکانیزم مبتنی بر رای­گیری[69] را برای ایجاد افراز توافقی استفاده می­کند. نام دیگر این روش خوشه بندی خوشه[70] می­باشد. خوشه بندی خوشه با استفاده از METIS انجام می­شود. برای جزئیات بیشتر در مورد توابع توافقی مبتنی بر ابرگراف به (A. Strehl and J. Ghosh, 2002)رجوع کنید.
یک طبقه­بندی خوب از توابع توافقی مختلف در شکل (3-1) نشان داده شده است.

فهرست مطالب

  فصل 1: مقدمه  1

 1-1- مقدمه. 2

 فصل 2: پیش زمینه  6

 فصل 3: کار مرتبط   10

 فصل 4: خوشه بندی ترکیبی پیشنهادی   18

 4-1- گام اول: تولید خوشه های اولیه. 20

 4-2- گام دوم: محاسبه پایداری... 21

 4-3- گام سوم: انتخاب مبتنی بر پایداری... 26

 4-4- گام چهارم: تابع توافقی و بدست آوردن افراز نهایی... 27

 فصل 5: نتایج تجربی   32

 5-1- متریک ارزیابی... 33

 5-2- محکها 35

 5-3- تنظیمات آزمایش.... 36

 5-4- نتایج تجربی... 37

 فصل 6: نتایج   46

 مراجع  48

فهرست اشکال

  شکل (3-1) توابع توافقی مختلف.... 12

 شکل (3-2) طرح خوشهبندی ترکیبی پیشنهادی... 17

 شکل (4-1) محاسبه پایداری خوشه 1 افراز در شکل (4-1-الف). ملاحظه افراز در شکل (4-1-ب) از مجموعه مرجع استفاده کننده از روش NMI. 21

 شکل (4-2) محاسبه پایداری خوشه 1 افراز در شکل (4-2-الف). ملاحظه افراز در شکل (4-2-ب) از مجموعه مرجع استفاده کننده از روش Max. 24

 شکل (4-3) محاسبه پایداری خوشه 1 افراز در شکل (4-3-الف). ملاحظه افراز در شکل (4-3-ب) از مجموعه مرجع استفاده کننده از روش APMM. 24

 شکل (4-4) محاسبه پایداری خوشه 1 افراز در شکل (4-4-الف). ملاحظه افراز در شکل (4-4-ب) از مجموعه مرجع استفاده کننده از روش ENMI. 25

 شکل (4-5) محاسبه پایداری خوشه Ci 27

 شکل (4-6) چهار افراز π1 تا π4 از یک مجموعه داده ساده با 12 نقطه دادهای و دو خوشه واقعی از طریق خوشهبندی k-میانگین استخراج میشوند.k پارامتر در k-میانگین به ترتیب 3، 4، 2، و 2 گذاشته میشود. 27

 شکل (4-7) خوشههای استخراج شده از افرازهای شکل (4-6). 28

 شکل (4-8) روشهای مختلف برای انجام گام 4. 30

 شکل (4-9) روشهای مختلف برای خوشبندی ترکیبی... 31

 شکل (5-1) مجموعه داده halfring. 36

 شکل (5-2) محور افقی نشانگر نرخ خوشههای پایداری است که با استفاده از روش ENMI انتخاب میشوند. محور عمودی نشانگر مقدار NMI برای مجموعه داده Wine میباشد. 37

 شکل (5-3) محور افقی نشانگر نرخ خوشههای پایداری است که با استفاده از روش ENMI انتخاب میشوند. محور عمودی نشانگر مقدار NMI میانگینگیری شده روی هر ده مجموعه داده جدول (5-1) میباشد. 38

 شکل (5-4) محور افقی نشانگر نرخ خوشههای پایداری است که با استفاده از روش ENMI انتخاب میشوند. محور عمودی نشانگر مقدار دقت میانگین گیری شده روی هر ده مجموعه داده جدول (5-1) میباشد. 38

 شکل (5-5) محور افقی نشانگر نرخ خوشه های پایداری است که با استفاده از روش ENMI انتخاب میشوند. محور عمودی نشانگر معیار-F میانگین گیری شده روی هر ده مجموعه داده جدول (5-1) میباشد. 39

 شکل (5-6) محور افقی نشانگر نرخ خوشه های پایداری است که با استفاده از روش ENMI انتخاب میشوند. محور عمودی نشانگر میانگین محورهای عمودی در شکل (5-3)، شکل (5-4) و شکل (5-5) میباشد. 40

 شکل (5-7) محور افقی نشانگر نرخ خوشه های پایداری است که انتخاب میشوند. محور عمودی مشابه شکل (5-6) میباشد با این تفاوت که معیار MAX به عنوان معیار پایداری یک خوشه به کار میرود. 41

 شکل (5-8) محور افقی نشانگر نرخ خوشههای پایداری است که انتخاب میشوند. محور عمودی مشابه شکل (5-6) میباشد با این تفاوت که معیار APMM به عنوان معیار پایداری یک خوشه به کار میرود. 42

 شکل (5-9) محور افقی نشانگر نرخ خوشههای پایداری است که انتخاب میشوند. محور عمودی مشابه شکل (5-6) میباشد با این تفاوت که معیار NMI اصلی به عنوان معیار پایداری خوشه به کار میرود. 42

 فهرست جداول

  جدول (5-1) اطلاعات مختصر درباره مجموعه دادههای استفاده شده. 35

 جدول (5-2) دقت افراز توافقی تولید شده با انتخاب خوشه معیارهای NMI و MAX و APMM. 41

 جدول (5-3) نتایج تجربی... 44

پروژه بتن دو ساختمان اداری-تجاری 5 و 7 طبقه نامنظم همراه با نقشه اتوکد و دفترچه محاسبات

اختصاصی از فی دوو پروژه بتن دو ساختمان اداری-تجاری 5 و 7 طبقه نامنظم همراه با نقشه اتوکد و دفترچه محاسبات دانلود با لینک مستقیم و پر سرعت .

مقاله اوراق اجاره به شرط تملیک دولتی» جایگزینی برای «اوراق قرضه

اختصاصی از فی دوو مقاله اوراق اجاره به شرط تملیک دولتی» جایگزینی برای «اوراق قرضه دانلود با لینک مستقیم و پر سرعت .

تعداد صفحات :15

بعد از پیروزی انقلاب اسلامی و تصویب قانون عملیات بانکی بدون ربا، ابزارهای سیاست پولی دچار دگرگونی شد. «عملیات بازار باز» یا «انتشار اوراق قرضه»، که امروز از مهمترین ابزارهای سیاست پولی به شمار می‌آید، به علت مبتنی بودن بر بهره با مشکل قانونی مواجه و از شمار ابزارهای سیاست پولی حذف شد. به دنبال این تحول صاحب نظران پول و بانکداری و اقتصادانان مسلمان به فکر طراحی ابزارهای جایگزینی افتادند که قابلیت و کارایی اوراق قرضه را در نظام بانکداری ربوی داشته باشد.
در این مقاله بعد از تبیین جایگاه و اهمیت «عملیات بازار باز» در انجام سیاستهای پولی به نقد و بررسی ابزارهای جایگزین پیشنهاد شده پرداخته و در پایان ابزار جدیدی پیشنهاد می‌کنیم.
۲- اهمیت عملیات بازار باز
زمانی مقامات پولی بانکهای مرکزی، سیاست تنزیل را مهمترین ابزار سیاست پولی می‌دانستند. بانکها سفته‌های مشتریان خود را تنزیل می‌کردند و سپس آنها را برای دریافت وجه نقد جدید به بانکهای مرکزی می‌سپردند. به این وسیله هم بانکهای تجاری پاسخگوی تقاضای اعتبار تولیدکنندگان بودند و هم سیاست گذاران پولی(با تغییر در نرخ تنزیل مجدد) حجم اعتبارات بانکی و به دنبال آن حجم پول در اقتصاد را کنترل و هدایت می‌کردند. این ابزار اگرچه نسبت به تغییر نرخ ذخیره قانونی، با وقفه زمانی کمتری اثر خود را بروز می‌دهد، ولی با وقفه زمانی قابل توجهی بر متغیرهای اقتصادی است و توان مقابله سریع با ادوار تجاری را ندارد. در این میان سیاست انتشار اوراق قرضه به دلیل سرعت تأثیرگذاری و انعطاف‌پذیری فوق‌العاده، می‌تواند هر زمان و به هر میزان مورد استفاده قرار گیرد. بانک

مجموعه فونتهای فارسی برنامه اتوکد

اختصاصی از فی دوو مجموعه فونتهای فارسی برنامه اتوکد دانلود با لینک مستقیم و پر سرعت .

این مجموعه شامل فونتهای فارسی اتوکد میباشد که برای شما آماده شده است.

داستان زندگی هلن کلر

اختصاصی از فی دوو داستان زندگی هلن کلر دانلود با لینک مستقیم و پر سرعت .

اکثر ما انسانها توانایی هایی را که در خود می بینیم، ذاتی و خلل‌ناپذیر می‌شماریم؛ به‌گونه‌ای که حتی تصور از دست‌دادن احتمالی این توانایی ها را نیز به دشواری به ذهن خود راه میدهیم و معمولا به‌گونه‌ای پوشیده، خود را از افراد فاقد این تواناییها متمایز میدانیم. از این‌رو، پیداست آنهایی که باوجود چنین ناتوانیهایی، به درجات والایی از هنر و علم و عمل دست می‌یابند، به‌واقع شایان تکریم هستند. نام «هلن کلر» برای بیشتر افراد، نامی آشناست. این بانو آمریکایی که از اواخر قرن نوزدهم تا اواسط قرن بیستم می‌زیست (۱۹۶۸ ـ ۱۸۸۰)، یکی از بزرگترین نمونه‌های چیرگی اراده بر ناتوانیهاست. او که ابتدا همچون دیگر کودکان سالم بود، در نوزده ماهگی به دنبال یک بیماری شدید، از دو حس عمده خود یعنی بینایی و شنوایی محروم شد و به تبع آن، قدرت تکلم خود را نیز از دست داد. ناتوانی او در شناخت محیط و دشواری در برقرارساختن ارتباط با سایرین، او را به کودکی لجوج و بدخلق تبدیل کرده بود. تا اینکه روزی که هلن کلر بعدها آن را بزرگترین روز زندگی خود می‌نامید، فرا رسید. در آن روز، معلم علاقه‌مندش «آن سولیوان» که با فداکاری و پشتکار خود، درهای امید را به رویش گشود، از راه رسید تا در پیمودن این طریق دشوار یاری اش نمود.