Інтерпретація результатів інтелектуального аналізу баз нечітких знань

Автор(и)

  • Олександр Юхимович Сєдушев Національний університет “Львівська політехніка” вул. Ст. Бандери, 12, м. Львів, Україна, 79013, Україна https://orcid.org/0000-0001-8782-208X
  • Євген Вікторович Буров Національний університет “Львівська політехніка” вул. Ст. Бандери, 12, м. Львів, Україна, 79013, Україна https://orcid.org/0000-0001-6124-3995

DOI:

https://doi.org/10.15587/1729-4061.2014.24364

Ключові слова:

база нечітких знань, інтелектуальний аналіз даних, інтерпретація результатів аналізу

Анотація

Дана стаття розглядає задачу інтерпретації результатів, отриманих завдяки аналізу баз нечітких знань. Запропоновано перелік обмежень, які можна накладати на нечіткі множини, функції належності, лінгвістичні змінні, нечіткі продукційні правила. Розроблені обмеження слід використовувати при проектуванні та реалізації нечітких методів інтелектуального аналізу для покращення сприйняття, читабельності і розуміння вихідних результатів

Біографії авторів

Олександр Юхимович Сєдушев, Національний університет “Львівська політехніка” вул. Ст. Бандери, 12, м. Львів, Україна, 79013

Аспірант

Кафедра інформаційних систем та мереж

Євген Вікторович Буров, Національний університет “Львівська політехніка” вул. Ст. Бандери, 12, м. Львів, Україна, 79013

Кандидат технічних наук, доцент

Кафедра інформаційних систем та мереж

Посилання

  1. Ishibuchi, H. Pattern classification with linguistic rules [Text] / H. Ishibuchi, Y. Nojima // Fuzzy Sets and Their Extensions: Representation, Aggregation and Models. – 2010. – Vol. 220. – P. 377–395.
  2. Mencar, C. Some fundamental interpretability issues in fuzzy modeling [Text] : In proc. of the Joint 4th conf. / C. Mencar, G. Castellano, A. Fanelli // The European Society for Fuzzy Logic and Technology. – Barcelona, Spain, 2005. – P. 100–105.
  3. Van de Merckt, T. Multiple knowledge representations in concept learning [Text] / T. Van de Merckt, C. Decaestecker // Lecture Notes in Computer Science. – 1995. – Vol. 912. – P. 200–217.
  4. Stepnickova, L. New results on redundancies of fuzzy/linguistic if-then rules [Text] : In proc. of the Joint 8th conf. / L. Stepnickova, M. Stepnicka, A. Dvorak // The European Society for Fuzzy Logic and Technology. – Milan, Italy, 2013. – P. 400–407.
  5. Chen, M. Rule-base self-generation and simplification for data-driven fuzzy models [Text] / M. Chen, D. Linkens // Fuzzy Sets and Systems. – 2004. – Vol. 142. – P. 243–265.
  6. Carpena, G. Improving interpretability of fuzzy models using multi-objective neuro-evolutionary algorithms [Text] / G. Carpena, J. Ruiz, J. Munoz, F. Jimenez // Advances in Evolutionary Algorithms. – 2008. – P. 279–296.
  7. Casillas, J. Interpretability improvements to find the balance interpretability–accuracy in fuzzy modeling: An overview [Text] / J. Casillas, O. Cordon, F. Herrera, L. Magdalena // Studies in Fuzziness and Soft Computing. – 2003. – Vol. 128. – P. 3–22.
  8. Mencar, C. On the role of interpretability in fuzzy data mining [Text] / C. Mencar, G. Castellano, A. Fanelli // International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems. – 2007. – Vol. 15. – P. 521–537.
  9. Alonso, J. A Conceptual framework for understanding a fuzzy system [Text] : In proc. of the Joint 6th conf. / J. Alonso, L. Magdalena // The European Society for Fuzzy Logic and Technology. – Lisbon, Portugal, 2009. – P. 119–124.
  10. Zhou, S. M. Low-level interpretability and high-level interpretability: A unified view of data-driven interpretable fuzzy system modelling [Text] / S. M. Zhou, J. Gan // Fuzzy Sets and Systems. – 2008. – Vol. 159. – P. 3091–3131.
  11. Mencar, C. Interpretability constraints for fuzzy information granulation [Text] / C. Mencar, A. Fanelli // Information Sciences. – 2008. – Vol. 178. – P. 4585–4618.
  12. Ishibuchi, H., Nojima, Y. (2010). Pattern classification with linguistic rules. Fuzzy Sets and Their Extensions: Representation, Aggregation and Models, 220, 377–395.
  13. Mencar, C., Castellano, G., Fanelli, A. (2005). Some fundamental interpretability issues in fuzzy modeling. The European Society for Fuzzy Logic and Technology, 100–105.
  14. Van de Merckt, T., Decaestecker, C. (1995). Multiple knowledge representations in concept learning. Lecture Notes in Computer Science, 912, 200–217.
  15. Stepnickova, L., Stepnicka, M., Dvorak, A. (2013). New results on redundancies of fuzzy/linguistic if-then rules. The European Society for Fuzzy Logic and Technology, 400–407.
  16. Chen, M., Linkens, D. (2004). Rule-base self-generation and simplification for data-driven fuzzy models. Fuzzy Sets and Systems, 142, 243–265.
  17. Carpena, G., Ruiz, J., Munoz, J., Jimenez, F. (2008). Improving interpretability of fuzzy models using multi-objective neuro-evolutionary algorithms. Advances in Evolutionary Algorithms, 279–296.
  18. Casillas, J., Cordon, O., Herrera, F., Magdalena, L. (2003). Interpretability improvements to find the balance interpretability–accuracy in fuzzy modeling: An overview. Studies in Fuzziness and Soft Computing, 128, 3–22.
  19. Mencar, C., Castellano, G., Fanelli, A. (2007). On the role of interpretability in fuzzy data mining. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 15, 521–537.
  20. Alonso, J., Magdalena, L. (2009). A Conceptual framework for understanding a fuzzy system. The European Society for Fuzzy Logic and Technology, 119–124.
  21. Zhou, S. M., Gan, J. (2008). Low-level interpretability and high-level interpretability: A unified view of data-driven interpretable fuzzy system modelling. Fuzzy Sets and Systems, 159, 3091–3131.
  22. Mencar, C., Fanelli, A. (2008). Interpretability constraints for fuzzy information granulation. Information Sciences, 178, 4585–4618.

##submission.downloads##

Опубліковано

2014-06-25

Як цитувати

Сєдушев, О. Ю., & Буров, Є. В. (2014). Інтерпретація результатів інтелектуального аналізу баз нечітких знань. Eastern-European Journal of Enterprise Technologies, 3(2(69), 30–35. https://doi.org/10.15587/1729-4061.2014.24364