informИнформатикаInformatics1816-03012617-6963UIIP NASBinform-699Research ArticleИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫINTELLIGENT SYSTEMSПОСТРОЕНИЕ НЕЧЕТКОЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ РЕШЕНИЯ ЗАДАЧ КЛАССИФИКАЦИИНовоселоваН. А.Объединенный институт проблем информатики НАН БеларусиBelarus20061412201803(11)514Copyright © Новоселова Н.А., 20182018Новоселова Н.А.Новоселова Н.А.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://inf.grid.by/jour/article/view/699

Рассматривается процесс построения нечеткой нейросетевой классифицирующей модели (ННМ) на основе имеющихся числовых значений признаков. Показано, что интегрирование нейронных сетей и нечетких систем позволяет создавать гибридные модели, которые способны обучаться на данных посредством минимизации соответствующей функции ошибки классификации и одновременно представлять извлекаемые из данных знания в виде набора лингвистических классифицирующих правил. В связи с необходимостью построения ННМ, обладающей достаточной степенью интерпретируемости при сохранении точности классификации, предлагается использовать трехэтапный подход к генерированию набора нечетких классифицирующих правил, которые явным образом представляют знания, содержащиеся в данных.

ReferencesTakagi, T. Fuzzy identification of systems and its applications to modeling and control / T. Takagi, M. Sugeno // IEEE Tran. Syst., Man, Cybern. – V. SMC 15. – 1985. – P. 116–132.Takagi, T. Fuzzy identification of systems and its applications to modeling and control / T. Takagi, M. Sugeno // IEEE Tran. Syst., Man, Cybern. – V. SMC 15. – 1985. – P. 116–132.Nauck, D.D. Fuzzy data analysis with NEFCL SS / D.D. Nauck // Int. Journal of Approx. Reasoning. – Vol. 32. – 2003. – P. 103–130.Nauck, D.D. Fuzzy data analysis with NEFCL SS / D.D. Nauck // Int. Journal of Approx. Reasoning. – Vol. 32. – 2003. – P. 103–130.Zimmermann, H.J. Fuzzy Set Theory and its Applications / H.J. Zimmermann. – Boston, Dordrecht, Lancaster: Kluwer Academic Publishers, 1996.Zimmermann, H.J. Fuzzy Set Theory and its Applications / H.J. Zimmermann. – Boston, Dordrecht, Lancaster: Kluwer Academic Publishers, 1996.Roger Jang, J.S. ANFIS – Adaptive-network-based fuzzy inference systems / J.S. Roger Jang // IEEE Trans. On Neural Networks. – Vol. 3, № 5. – 1992. – P. 714–723.Roger Jang, J.S. ANFIS – Adaptive-network-based fuzzy inference systems / J.S. Roger Jang // IEEE Trans. On Neural Networks. – Vol. 3, № 5. – 1992. – P. 714–723.Ishibuchi, H. Three-objective genetics-based machine learning for linguistic rule extraction / H. Ishibuchi, T. Nakashima, T. Murata // Information Sciences. – V. 136. – 2001. – P. 109–133.Ishibuchi, H. Three-objective genetics-based machine learning for linguistic rule extraction / H. Ishibuchi, T. Nakashima, T. Murata // Information Sciences. – V. 136. – 2001. – P. 109–133.Abonyi, J. Data-driven generation of compact, accurate, and linguistically-sound fuzzy classifiers based on a decision-tree initialization / J. Abonyi, J. Roubos, F. Szeifert // International Journal of Approximate Reasoning. – Vol. 32, № 1. – 2003.– P. 1–21.Abonyi, J. Data-driven generation of compact, accurate, and linguistically-sound fuzzy classifiers based on a decision-tree initialization / J. Abonyi, J. Roubos, F. Szeifert // International Journal of Approximate Reasoning. – Vol. 32, № 1. – 2003.– P. 1–21.Roubos, J.A.. Learning fuzzy classifications rules from labeled data / J.A. Roubos, M. Setnes, J. Abonyi // Information Sciences. – Vol. 150. – 2003. – P.77–93.Roubos, J.A.. Learning fuzzy classifications rules from labeled data / J.A. Roubos, M. Setnes, J. Abonyi // Information Sciences. – Vol. 150. – 2003. – P.77–93.Wang, L.X. Generating Fuzzy Rules by Learning from Examples / L.X. Wang, J.M. Men-del // IEEE Trans. on Systems, Man, and Cybernetics. – Vol. 22. – 1992. – P. 1414–1427.Wang, L.X. Generating Fuzzy Rules by Learning from Examples / L.X. Wang, J.M. Men-del // IEEE Trans. on Systems, Man, and Cybernetics. – Vol. 22. – 1992. – P. 1414–1427.Wang, H. Multi-objective hierarchical genetic algorithm for interpretable fuzzy rule-based knowledge extraction / H. Wang, S. Kwong, Y. Jin // Fuzzy Sets and systems. – Vol. 149. – 2005. – P. 149–186.Wang, H. Multi-objective hierarchical genetic algorithm for interpretable fuzzy rule-based knowledge extraction / H. Wang, S. Kwong, Y. Jin // Fuzzy Sets and systems. – Vol. 149. – 2005. – P. 149–186.

The authors declare that there are no conflicts of interest present.