Оптимізація баз знань на основі нечітких відношень за критеріями «точність – складність»
DOI:
https://doi.org/10.15587/1729-4061.2017.95870Ключові слова:
оптимізація нечітких баз знань, min-max кластеризація, нечіткі реляційні моделіАнотація
Запропоновано метод оптимізації класифікаційних нечітких баз знань за критеріями «точність – складність», який дозволяє спростити процес налаштування шляхом переходу до реляційної моделі. Задачу оптимізації бази знань зведено до задачі min-max кластеризації. Суть методу у виборі таких матриць розбиття «входи – вихід», які забезпечують необхідні або екстремальні рівні точності виведення та кількості правил
Посилання
- Yager, R., Filev, D. (1994). Essentials of fuzzy modeling and control. New York: John Willey & Sons, 408.
- 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
- Mandal, S., Jayaram, B. (2015). SISO fuzzy relational inference systems based on fuzzy implications are universal approximators. Fuzzy Sets and Systems, 277, 1–21. doi: 10.1016/j.fss.2014.10.003
- Scherer, R. (2012). Relational Modular Fuzzy Systems. Studies in Fuzziness and Soft Computing. Springer Berlin Heidelberg, 39–50. doi: 10.1007/978-3-642-30604-4_4
- Gonzalez, A., Perez, R., Caises, Y., Leyva, E. (2012). An Efficient Inductive Genetic Learning Algorithm for Fuzzy Relational Rules. International Journal of Computational Intelligence Systems, 5 (2), 212–230. doi: 10.1080/18756891.2012.685265
- Graves, D., Noppen, J., Pedrycz, W. (2012). Clustering with proximity knowledge and relational knowledge. Pattern Recognition, 45 (7), 2633–2644. doi: 10.1016/j.patcog.2011.12.019
- De Carvalho, F. de A. T., Lechevallier, Y., de Melo, F. M. (2013). Relational partitioning fuzzy clustering algorithms based on multiple dissimilarity matrices. Fuzzy Sets and Systems, 215, 1–28. doi: 10.1016/j.fss.2012.09.011
- Bargiela, A., Pedrycz, W. (2013). Optimised Information Abstraction in Granular Min/Max Clustering. Smart Innovation, Systems and Technologies, 31–48. doi: 10.1007/978-3-642-28699-5_3
- Gaspar, P., Carbonell, J., Oliveira, J. L. (2012). Parameter Influence in Genetic Algorithm Optimization of Support Vector Machines. Advances in Intelligent and Soft Computing, 43–51. doi: 10.1007/978-3-642-28839-5_5
- Wu, Z., Zhang, H., Liu, J. (2014). A fuzzy support vector machine algorithm for classification based on a novel PIM fuzzy clustering method. Neurocomputing, 125, 119–124. doi: 10.1016/j.neucom.2012.07.049
- Mohammed, M. F. Lim, C. P. (2017). Improving the Fuzzy Min-Max neural network with a K-nearest hyperbox expansion rule for pattern classification. Applied Soft Computing, 52, 135–145. doi: 10.1016/j.asoc.2016.12.001
- 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
- Rotshtein, A. P., Rakytyanska, H. B. (2014). Optimal Design of Rule-Based Systems by Solving Fuzzy Relational Equations. Studies in Computational Intelligence, 167–178. doi: 10.1007/978-3-319-06883-1_14
- Rakytyanska, H. (2015). Optimization of composite fuzzy knowledge bases on rules and relations. Inf. Technol. Comput. Eng., 1, 17–26.
- 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
- Rotshtein, A. P., Rakytyanska, H. B. (2012). Fuzzy Genetic Object Identification: Multiple Inputs/Multiple Outputs Case. Advances in Intelligent and Soft Computing, 375–394. doi: 10.1007/978-3-642-23172-8_25
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2017 Hanna Rakytyanska
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
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.