Побудова класифікаційної нечіткої бази знань на основі трендових правил і оберненого виведення
DOI:
https://doi.org/10.15587/1729-4061.2015.36934Ключові слова:
нечіткі відношення, обернене логічне виведення, розв’язання систем нечітких логічних рівняньАнотація
Запропоновано метод побудови класифікаційних нечітких баз знань, в яких носієм експертної інформації є трендові правила «причини - наслідки». Показано, що класифікаційні нечіткі правила, які з’єднують міри значимостей причин і наслідків за допомогою нечітких квантифікаторів, представляють множину розв’язків системи нечітких логічних рівнянь для заданих класів виходу.
Посилання
- Rotshtein, A. (1999). Intellectual technologies of identification: fuzzy sets, genetic algorithms, neural networks.Vinnitsa: UNIVERSUM-Vinnitsa, 320.
- Rotshtein, A., Rakytyanska, H. (2012). Fuzzy evidence in identification, forecasting and diagnosis.Heidelberg: Springer, 314.
- Groetsch, C. W. (1993). Inverse problems in the mathematical sciences. Braunschweig: Vieweg Verlag, 152. doi: 10.1007/978-3-322-99202-4
- Dubois, D., Prade, H. (1996). What are fuzzy rules and how to use them. Fuzzy Sets and Systems, 84 (2), 169–189. doi: 10.1016/0165-0114(96)00066-8
- Zadeh, L. (1976). The concept of linguistic variable and its application to approximate decision making. Мoscow: Mir, 166.
- Di Nola, A., Sessa, S., Pedrycz, W., Sanchez, E. (1989). Fuzzy relation equations and their applications to knowledge engineering. Dordrecht: Kluwer Academic Press, 278. doi: 10.1007/978-94-017-1650-5
- Peeva, K., Kyosev, Y. (2005). Fuzzy relational calculus. Theory, applications and software. NY: World Scientific, 304. doi: 10.1142/5683
- Rotshtein, A., Rakytyanska, H. (2007). Diagnosis based on fuzzy relations. Automation and remote control, 12, 113–130.
- Rotshtein, A., Rakytyanska, H. (2008). Diagnosis problem solving using fuzzy relations. IEEE Transactions on Fuzzy Systems, 16 (3), 664–675. doi: 10.1109/tfuzz.2007.905908
- Rotshtein, A., Rakytyanska, H.; In: Sarma, R. D. (Ed.) (2011). Fuzzy logic and the least squares method in diagnosis problem solving. Genetic diagnoses. NY: Nova Science Publishers, 53–97.
- Mellouli, N., Bouchon-Meunier, B. (2003). Abductive reasoning and measures of similitude in the presence of fuzzy rules. Fuzzy Sets and Systems, 137 (1), 177–188. doi: 10.1016/s0165-0114(02)00439-6
- Eslami, E., Buckley, J. J. (1997). Inverse approximate reasoning. Fuzzy Sets and Systems, 87 (2), 155–158. doi: 10.1016/s0165-0114(96)00243-6
- Bouchon-Meunier, B., Rifqi, M., Bothorel, S. (1996). Towards general measures of comparison of objects. Fuzzy Sets and Systems, 84 (2), 143–153. doi: 10.1016/0165-0114(96)00067-x
- Setnes, M., Babuska, R., Kaymak, U., van Nauta Lemke, H. R. (1998). Similarity measures in fuzzy rule base simplification. IEEE Transactions on System, Man, Cybernetics. Part B, 28(3), 376–386. doi: 10.1109/3477.678632
- Jin, Y. (2000). Fuzzy modeling of high-dimensional systems: complexity reduction and interpretability improvement. IEEE Transactions on Fuzzy Systems, 8 (2), 212–221. doi: 10.1109/91.842154
- Ishibuchi, H., Yamamoto, T. (2004). Fuzzy rule selection by multi-objective genetic local search algorithms and rule evaluation measures in data mining. Fuzzy Sets and Systems, 141 (1), 59–88. doi: 10.1016/s0165-0114(03)00114-3
- Alcala, R., Nojima, Y., Herrera, F., Ishibuchi, H. (2011). Multiobjective genetic fuzzy rule selection of single granularity-based fuzzy classification rules and its interaction with the lateral tuning of membership functions. Soft Computing, 15 (12), 2303–2318. doi: 10.1007/s00500-010-0671-2
- Zadeh, L. (1983). A computational approach to fuzzy quantifiers in natural language. Computers and Mathematics with Applications, 9, 149–184. doi: 10.1016/0898-1221(83)90013-5
- Rotshtein, A., Rakytyanska, H. (2013). Expert rules refinement by solving fuzzy relational equations. In Proc. of the VIth IEEE Conference on Human System Interaction. Sopot, Poland, 257–264. doi: 10.1109/hsi.2013.6577833
- Rotshtein, A., Rakytyanska, H. (2014). Optimal design of rule-based systems by solving fuzzy relational equations. Issues and Challenges in Artificial Intelligence. Studies in Computational Intelligence, Heidelberg: Springer, 559, 167–178. doi: 10.1007/978-3-319-06883-1_14
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2015 Ганна Борисівна Ракитянська
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.
