Нейро-мережевий підхід до настройки нечітких баз знань на основі трендових і сполучених правил

Г. Б. Ракитянська

Анотація


Пропонується підхід до настройки експертних нечітких баз знань на основі розв’язання рівнянь нечітких відношень, що дозволяє уникнути злиття або селекції правил. Суть підходу полягає у побудові та навчанні min-max нейро-нечіткої мережі, ізоморфної лінгвістичним розв’язкам рівнянь нечітких відношень, яка дозволяє поетапно налаштовувати структуру і параметри трендових і сполучених правил. 


Ключові слова


настройка нечітких баз знань; розв’язання рівнянь нечітких відношень; min-max нейронна мережа

Повний текст:

PDF

Посилання


1. Rotshtein, A. (1999). Intellectual technologies of identification: fuzzy sets, genetic algorithms, neural networks. Vinnitsa: UNIVERSUM, 320.

2. Gabrys, B., Bargiela, A. (2000). General fuzzy min-max neural network for clustering and classification. IEEE Transactions on Neural Networks, V. 11, 3, 769 – 783.

3. Fu, X. J., Wang, L. P. (2001). Linguistic rule extraction from a simplified RBF neural network. Computational Statistics. V. 16, 3, 361 – 372.

4. Zhang, D., Duan, A., Fan, Y., Wang, Z. (2008). A new approach to division of attribute space for SVR based classification rule extraction. Advances in Neural Networks. V. 5263, 691 – 700.

5. Di Nola, A., Sessa, S., Pedrycz, W., Sanchez, E. (1989). Fuzzy relation equations and their applications to knowledge engineering. Dordrecht: Kluwer Academic Press, 278.

6. Peeva, K., Kyosev, Y. (2004). Fuzzy relational calculus. Theory, applications and software. New York: World Scientific, 304.

7. Rotshtein, A., Rakytyanska, H. (2012). Fuzzy evidence in identification, forecasting and diagnosis. Heidelberg: Springer, 314.

8. Rakytyanska, H. (2015). Fuzzy classification knowledge base construction based on trend rules and inverse inference. East - European J. of Enterprise Technologies. Control Processes. V. 1, 3(73), 25 – 32.

9. 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.

10. 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. V. 559, 167 – 178.

11. Zadeh, L. (1983). A computational approach to fuzzy quantifiers in natural language. Computers and Mathematics with Applications. V. 9, 149–184.

12. Rotshtein, A., Rakytyanska, H. (2009). Adaptive diagnostic system based on fuzzy relations. Cybernetics and Systems Analysis. 45(4), 623 – 637.


Пристатейна бібліографія ГОСТ


1. Ротштейн, А. П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сети [Tекст] / А. П. Ротштейн. – Винница: УНІВЕРСУМ, 1999. – 320 с.

2. Gabrys, B. General fuzzy min-max neural network for clustering and classification [Text] / B. Gabrys, A. Bargiela // IEEE Transactions on Neural Networks. – 2000. – Vol. 11 (3). – P. 769 – 783.

3. Fu, X. J. Linguistic rule extraction from a simplified RBF neural network  [Text]  / X. J. Fu, L. P. Wang // Computational Statistics. – 2001. – Vol. 16(3). – P. 361 – 372.

4. Zhang, D. A new approach to division of attribute space for SVR based classification rule extraction [Text] / D. Zhang, A. Duan, Y. Fan, Z. Wang // Advances in Neural Networks. – 2008. – Vol. 5263. – P. 691 – 700.

5. Di Nola, A. Fuzzy relation equations and their applications to knowledge engineering [Text] / A. Di Nola, S. Sessa, W. Pedrycz, E. Sanchez. – Dordrecht: Kluwer Academic Press, 1989. – 278 p.

6. Peeva, K. Fuzzy relational calculus. Theory, applications and software [Text] / K. Peeva, Y. Kyosev – New York: World Scientific, 2004. – 304 p. 

7. Rotshtein, A. Fuzzy evidence in identification, forecasting and diagnosis [Text] / A. Rotshtein, H. Rakytyanska. – Heidelberg: Springer, 2012. – 314 p.

8. Ракитянська, Г. Б. Побудова класифікаційної нечіткої бази знань на основі трендових правил і оберненого виведення [Tекст] / Г. Б. Ракитянська // Східно – Європейський журнал передових технологій. Процеси управління. – 2015. – Т. 1 № 3(73). – C. 25 – 32.

9. Rotshtein, A. Expert rules refinement by solving fuzzy relational equations  [Text] / A. Rotshtein, H. Rakytyanska // In Proc. of the VIth IEEE Conference on Human System Interaction. Sopot, Poland, 2013. – P. 257–264.

10. Rotshtein, A. Optimal design of rule-based systems by solving fuzzy relational equations [Text] / A. Rotshtein, H. Rakytyanska // Issues and Challenges in Artificial Intelligence. Studies in Computational Intelligence. – Heidelberg: Springer – 2014. –  Vol. 559. – P. 167 – 178.

11. Zadeh, L. A computational approach to fuzzy quantifiers in natural language [Text] / L. Zadeh // Computers and Mathematics with Applications. – 1983. – Vol. 9. – P. 149–184.

12. Ротштейн, А. П. Адаптивная система диагностики на основе нечетких отношений [Tекст] / А. П. Ротштейн, А. Б. Ракитянская // Кибернетика и системный анализ. – 2009. – № 4. – С.135 – 150.



Посилання

  • Поки немає зовнішніх посилань.




Copyright (c) 2015 Г. Б. Ракитянська

Creative Commons License
Ця робота ліцензована Creative Commons Attribution 4.0 International License.

ISSN 2411-2828 (Online), ISSN 2411-2798 (Print)