Ієрархічне налаштування класифікаційних правил з лінгвістичною модифікацією на основі розв’язання нечітких реляційних рівнянь

Автор(и)

  • Hanna Rakytyanska Вінницький національний технічний університет вул. Хмельницьке шосе, 95, м. Вінниця, Україна, 21021, Україна https://orcid.org/0000-0001-5863-3730

DOI:

https://doi.org/10.15587/1729-4061.2018.123567

Ключові слова:

ієрархічне налаштування, класифікаційні нечіткі бази знань, розв’язання нечітких реляційних рівнянь

Анотація

Розроблено підхід, який поєднує семантичне навчання, гранулярне розбиття та розв’язання нечітких реляційних рівнянь для побудови точних та інтерпретабельних правил. Запропоновано сполучену нечітку модель прямого логічного виведення на основі первинних правил з гранулярними параметрами. Розроблено метод ієрархічного налаштування з лінгвістичною модифікацією на основі розв’язання нечітких реляційних рівнянь, що скорочує час навчання

Біографія автора

Hanna Rakytyanska, Вінницький національний технічний університет вул. Хмельницьке шосе, 95, м. Вінниця, Україна, 21021

Кандидат технічних наук, доцент

Кафедра програмного забезпечення

Посилання

  1. Cordón, O. (2011). A historical review of evolutionary learning methods for Mamdani-type fuzzy rule-based systems: Designing interpretable genetic fuzzy systems. International Journal of Approximate Reasoning, 52 (6), 894–913. doi: 10.1016/j.ijar.2011.03.004
  2. Pedrycz, W. (2013). Granular computing: analysis and design of intelligent systems. CRC Press: Bosa Roca, 309. doi: 10.1201/b14862
  3. Rotshtein, A., Rakytyanska, H. (2011). Fuzzy logic and the least squares method in diagnosis problem solving. Genetic diagnoses. Nova Science Publishers, 53–97.
  4. D’Andrea, E., Lazzerini, B. (2013). A hierarchical approach to multi-class fuzzy classifiers. Expert Systems with Applications, 40 (9), 3828–3840. doi: 10.1016/j.eswa.2012.12.097
  5. Valmarska, A., Lavrač, N., Fürnkranz, J., Robnik-Šikonja, M. (2017). Refinement and selection heuristics in subgroup discovery and classification rule learning. Expert Systems with Applications, 81, 147–162. doi: 10.1016/j.eswa.2017.03.041
  6. Nguyen, C. H., Tran, T. S., Pham, D. P. (2014). Modeling of a semantics core of linguistic terms based on an extension of hedge algebra semantics and its application. Knowledge-Based Systems, 67, 244–262. doi: 10.1016/j.knosys.2014.04.047
  7. Lewis, M., Lawry, J. (2014). A label semantics approach to linguistic hedges. International Journal of Approximate Reasoning, 55 (5), 1147–1163. doi: 10.1016/j.ijar.2014.01.006
  8. Novák, V. (2015). Evaluative linguistic expressions vs. fuzzy categories. Fuzzy Sets and Systems, 281, 73–87. doi: 10.1016/j.fss.2015.08.022
  9. Kim, E.-H., Oh, S.-K., Pedrycz, W. (2017). Reinforced rule-based fuzzy models: Design and analysis. Knowledge-Based Systems, 119, 44–58. doi: 10.1016/j.knosys.2016.12.003
  10. Kerr-Wilson, J., Pedrycz, W. (2016). Design of rule-based models through information granulation. Expert Systems with Applications, 46, 274–285. doi: 10.1016/j.eswa.2015.10.030
  11. Balamash, A., Pedrycz, W., Al-Hmouz, R., Morfeq, A. (2015). An expansion of fuzzy information granules through successive refinements of their information content and their use to system modeling. Expert Systems with Applications, 42 (6), 2985–2997. doi: 10.1016/j.eswa.2014.11.027
  12. Hu, X., Pedrycz, W., Castillo, O., Melin, P. (2017). Fuzzy rule-based models with interactive rules and their granular generalization. Fuzzy Sets and Systems, 307, 1–28. doi: 10.1016/j.fss.2016.03.005
  13. Lahsasna, A., Seng, W. C. (2017). An improved genetic-fuzzy system for classification and data analysis. Expert Systems with Applications, 83, 49–62. doi: 10.1016/j.eswa.2017.04.022
  14. 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
  15. Rotshtein, A., Rakytyanska, H. (2014). Optimal design of rule-based systems by solving fuzzy relational equations. Studies in Computational Intelligence. Springer, 559, 167–178. doi: 10.1007/978-3-319-06883-1_14
  16. Rakytyanska, H. (2017). Optimization of fuzzy classification knowledge bases using improving transformations. Eastern-European Journal of Enterprise Technologies, 5 (2 (89)), 33–41. doi: 10.15587/1729-4061.2017.110261
  17. Rakytyanska, H. (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
  18. Rotshteyn, A. P., Shtovba, S. D. (2006). Identifikaciya nelineynoy zavisimosti nechetkoy bazoy znaniy s nechetkoy obuchayushchey vyborkoy. Kibernetika i sistemniy analiz, 2, 17–24.
  19. Rotshteyn, A. P., Rakityanskaya, A. B. (2009). Adaptivnaya sistema diagnostiki na osnove nechetkih otnosheniy. Kibernetika i sistemniy analiz, 4, 135–150.
  20. Rakytyanska, H. (2015). Neural-network approach to structural tuning of classification rules based on fuzzy relational equations. Eastern-European Journal of Enterprise Technologies, 4 (2 (76)), 51–57. doi: 10.15587/1729-4061.2015.47124
  21. Rakityanskaya, A. B., Rotshtein, A. P. (2005). Fuzzy forecast model with genetic-neural tuning. Journal of Computer and Systems Sciences International, 1, 110–119.
  22. Bejar, J., Cort’es, U., Poch, M. (1993). LINNEO+: A classification methodology for ill-structured domains. Research report RT-93-10-R. Dept. Llenguatges i Sistemes Informatics. Barcelona.
  23. UCI Machine Learning Repository. University of California, School of Information and Computer Science: Irvine, CA. Available at: http://archive.ics.uci.edu/ml
  24. Martsenyuk, V., Petruk, V. G., Kvaternyuk, S. M., Pohrebennyk, V. D., Bezusiak, Y. I., Petruk, R. V., Klos-Witkowska, A. (2016). Multispectral control of water bodies for biological diversity with the index of phytoplankton. 2016 16th International Conference on Control, Automation and Systems (ICCAS). doi: 10.1109/iccas.2016.7832429
  25. Kvaternyuk, S., Pohrebennyk, V., Petruk, R., Kochanek, A., Kvaternyuk, O. (2017). Multispectral television measurements of parameters of natural biological media. 17th International Multidisciplinary Scientific GeoConference SGEM2017, Ecology, Economics, Education and Legislation, 17 (51), 689–696. doi: 10.5593/sgem2017/51/s20.090
  26. Pohrebennyk, V. D., Kvaternyuk, S. М., Bondarchuk, O. V., Cygnar, M. (2016). Multispectral television monitoring of contamination of water objects by using macrophyte-based bioindication. In Proc. of the 16th International Multidisciplinary Scientific GeoConference SGEM 2016. Albena, 597–601.
  27. Petruk, V., Kvaternyuk, S., Yasynska, V., Kozachuk, A., Kotyra, A., Romaniuk, R. S., Askarova, N. (2015). The method of multispectral image processing of phytoplankton processing for environmental control of water pollution. Optical Fibers and Their Applications 2015. doi: 10.1117/12.2229202

##submission.downloads##

Опубліковано

2018-02-14

Як цитувати

Rakytyanska, H. (2018). Ієрархічне налаштування класифікаційних правил з лінгвістичною модифікацією на основі розв’язання нечітких реляційних рівнянь. Eastern-European Journal of Enterprise Technologies, 1(4 (91), 50–58. https://doi.org/10.15587/1729-4061.2018.123567

Номер

Том 1 № 4 (91) (2018): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2018 Hanna Rakytyanska

Creative Commons License

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.