Оптимізація класифікаційних нечітких баз знань з використанням поліпшувальних підстановок
DOI:
https://doi.org/10.15587/1729-4061.2017.110261Ключові слова:
оптимізація нечітких баз знань, min-max кластеризація, розв’язання нечітких реляційних рівняньАнотація
Запропоновано метод оптимізації класифікаційних нечітких баз знань з використанням поліпшувальних підстановок у вигляді розв’язків нечітких реляційних рівнянь. Поліпшувальні підстановки дозволяють формалізувати процес генерування та відбору варіантів нечіткої бази знань за критеріями «точність – складність», що спрощує процес налаштування
Посилання
- Rotshtein, A., Kuznetsov, P. (1992). Design of faultless man-machine technologies. Kyiv: Tehnika, 180.
- Rotshtein, A., Shtovba, S., Kozachko, A. (2007). Modeling and optimization of multivariable algorithmic processes reliability. Vinnytsia: UNIVERSUM, 215.
- Glushkov, V., Tceitlin, G., Ucshenko, E. (1989). Algebra. Languages. Programming. Kyiv: Naukova Dumka, 376.
- Ishibuchi, H., Nojima, Y. (2007). Analysis of interpretability-accuracy tradeoff of fuzzy systems by multiobjective fuzzy genetics-based machine learning. International Journal of Approximate Reasoning, 44(1), 4–31. doi:10.1016/j.ijar.2006.01.004
- Bargiela, A., Pedrycz, W. (2013). Optimised Information Abstraction in Granular Min/Max Clustering. Vol. 13. Smart Innovation, Systems and Technologies, 31–48. doi:10.1007/978-3-642-28699-5_3
- Fazzolari, M., Alcala, R., Nojima, Y., Ishibuchi, H., Herrera, F. (2013). A Review of the Application of Multiobjective Evolutionary Fuzzy Systems: Current Status and Further Directions. IEEE Transactions on Fuzzy Systems, 21(1), 45–65. doi:10.1109/tfuzz.2012.2201338
- Fazzolari, M., Alcalá, R., Herrera, F. (2014). A multi-objective evolutionary method for learning granularities based on fuzzy discretization to improve the accuracy-complexity trade-off of fuzzy rule-based classification systems: D-MOFARC algorithm. Applied Soft Computing, 24, 470–481. doi:10.1016/j.asoc.2014.07.019
- Seera, M., Lim, C. P., Loo, C. K., Singh, H. (2015). A modified fuzzy min–max neural network for data clustering and its application to power quality monitoring. Applied Soft Computing, 28, 19–29. doi: 10.1016/j.asoc.2014.09.050
- Reyes-Galaviz, O. F., Pedrycz, W. (2015). Granular fuzzy modeling with evolving hyperboxes in multi-dimensional space of numerical data. Neurocomputing, 168, 240–253. doi:10.1016/j.neucom.2015.05.102
- Rudziński, F. (2016). A multi-objective genetic optimization of interpretability-oriented fuzzy rule-based classifiers. Applied Soft Computing, 38, 118–133. doi:10.1016/j.asoc.2015.09.038
- Rey, M. I., Galende, M., Fuente, M. J., Sainz-Palmero, G. I. (2017). Multi-objective based Fuzzy Rule Based Systems (FRBSs) for trade-off improvement in accuracy and interpretability: A rule relevance point of view. Knowledge-Based Systems, 127, 67–84. doi:10.1016/j.knosys.2016.12.028
- Cruz-Reyes, L., Fernandez, E., Sanchez, P., Coello Coello, C. A., Gomez, C. (2017). Incorporation of implicit decision-maker preferences in multi-objective evolutionary optimization using a multi-criteria classification method. Applied Soft Computing, 50, 48–57. doi:10.1016/j.asoc.2016.10.037
- Ahmed, M. M., Isa, N. A. M. (2017). Knowledge base to fuzzy information granule: A review from the interpretability-accuracy perspective. Applied Soft Computing, 54, 121–140. doi:10.1016/j.asoc.2016.12.055
- Bandaru, S., Ng, A. H. C., Deb, K. (2017). Data mining methods for knowledge discovery in multi-objective optimization: Part A – Survey. Expert Systems with Applications, 70, 139–159. doi:10.1016/j.eswa.2016.10.015
- Zhang, S., Zhu, J., Liu, X., Chen, Y., Ma, Z. (2017). Adaptive consensus model with multiplicative linguistic preferences based on fuzzy information granulation. Applied Soft Computing, 60, 30–47. doi:10.1016/j.asoc.2017.06.028
- Hu, X., Pedrycz, W., Wang, X. (2017). From fuzzy rule-based models to their granular generalizations. Knowledge-Based Systems, 124, 133–143. doi:10.1016/j.knosys.2017.03.007
- Rotshtein, A., Rakytyanska, H.; Sarma, R. D. (Ed.) (2011). Fuzzy logic and the least squares method in diagnosis problem solving. Genetic diagnoses. New York: Nova Science Publishers, 53–97.
- Rotshtein, A. P., Rakytyanska, H. B. (2012). Fuzzy evidence in identification, forecasting and diagnosis. Heidelberg: Springer, 314. doi: 10.1007/978-3-642-25786-5
- Rotshtein, A., Rakytyanska, H. (2013). Expert rules refinement by solving fuzzy relational equations. 2013 6th International Conference on Human System Interactions (HSI). doi:10.1109/hsi.2013.6577833
- Rotshtein, A. P., Rakytyanska, H. B. (2014). Optimal Design of Rule-Based Systems by Solving Fuzzy Relational Equations. Vol. 559. Studies in Computational Intelligence, 167–178. doi:10.1007/978-3-319-06883-1_14
- Rakytyanska, H. B. (2015). Fuzzy classification knowledge base construction based on trend rules and inverse inference. Eastern-European Journal of Enterprise Technologies, 1 (3 (73)), 25–32. doi: 10.15587/1729-4061.2015.36934
- Rotshtein, A. P., Rakytyanska, H. B. (2012). Fuzzy Genetic Object Identification: Multiple Inputs/Multiple Outputs Case. Vol. 99. Advances in Intelligent and Soft Computing, 375–394. doi:10.1007/978-3-642-23172-8_25
- Rakytyanska, H. (2017). Optimization of knowledge bases on the basis of fuzzy relations by the criteria “accuracy – complexity.” Eastern-European Journal of Enterprise Technologies, 2(4 (86)), 24–31. doi:10.15587/1729-4061.2017.95870
- Singh, K. (2015). Facebook comment volume prediction. International Journal of Simulation: Systems, Science and Technology, 16 (5), 16.1–16.9.
- Lichman, M. (2013). UCI Machine Learning Repository. Irvine, CA: University of California, School of Information and Computer Science. Available at: https://archive.ics.uci.edu/ml/citation_policy.html
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2017 Hanna Rakytyanska
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.