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.
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: 534
Email this article 