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

Автор(и)

  • Г. Б. Ракитянська Вінницький національний технічний університет Хмельницьке шосе 95, м. Вінниця, Україна, 21021, Ukraine https://orcid.org/0000-0001-5863-3730

Ключові слова:

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

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. 

Біографія автора

Г. Б. Ракитянська, Вінницький національний технічний університет Хмельницьке шосе 95, м. Вінниця, Україна, 21021

Кандидат технічних наук, доцент

Кафедра програмного забезпечення

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.

##submission.downloads##

Опубліковано

2015-03-22

Номер

Розділ

Автоматизація та управління механіко-технологічними системами та комплексами