Preview

Informatics

Advanced search

ПОСТРОЕНИЕ НЕЧЕТКОЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ РЕШЕНИЯ ЗАДАЧ КЛАССИФИКАЦИИ

Abstract

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.

About the Author

Н. Новоселова
Объединенный институт проблем информатики НАН Беларуси
Belarus


References

1. 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.

2. Nauck, D.D. Fuzzy data analysis with NEFCL SS / D.D. Nauck // Int. Journal of Approx. Reasoning. – Vol. 32. – 2003. – P. 103–130.

3. Zimmermann, H.J. Fuzzy Set Theory and its Applications / H.J. Zimmermann. – Boston, Dordrecht, Lancaster: Kluwer Academic Publishers, 1996.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.


Review

For citations:


. Informatics. 2006;(3(11)):5-14. (In Russ.)

Views: 538


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)