Алгоритм обучения матричного представления нечетких систем логического вывода

  • № 2 (2) 2022

Страницы: 

85

 – 

93

Язык: русский

Открыть файл статьи
Открыть страницу статьи в Интернет

Аннотация

Применение теории нечеткой логики при решении задач классификации дает возможность получить принципиально новые модели и методы анализа данных систем. Предлагается нейро-нечеткий алгоритм синтеза систем нечеткого вывода. Описывается двух этапный адаптивный алгоритм синтеза си-стем нечеткого вывода. На первом этапе производится кластеризация исходных нечетких параметров с целью сокращения числа входных параметров нечетких правил, а на втором — осуществляется синтез нечетких моделей (правил вывода) типа Мамдани и применение матричного представления нечеткой логики для решения задач классификации.

Sinflashtirish masalalarini yechishda noravshan mantiq nazariyasini qo’llash orqali ma’lumotni intellektual tahlil tiziminiva yangi modellari olish imkonini beradi. Noravshan xulosalar tizimlarini sintez qilish uchun neyro-noravshan algoritm taklif etildi. Noravshan xulosalar tizimlarini sintez qilish uchun ikki bosqichli adaptiv algoritm taflif etildi. Birinchi bosqichda noravshan qoidalarning kirish parametrlari so-nini kamaytirish uchun dastlabki noravshan parametrlar klasterlanadi, ikkinchi bos-qichda esa Mamdani tipidagi noravshan modellar (chiqish qoidalari) sintezlanadi va noravshan mantiqning matritsali masalalarini hal qilishda foydalaniladi.

The application of fuzzy logic theory in solving classification problems makes it possible to obtain fundamentally new models and methods for analyzing these systems. A neuro-fuzzy algorithm for the synthesis of fuzzy inference systems is proposed. A two-stage adaptive algorithm for the synthesis of fuzzy inference systems is described. At the first stage, the initial fuzzy parameters are clustered in order to reduce the number of input parameters of fuzzy rules, and at the second stage, fuzzy models (inference rules) of the Mamdani type are synthesized and the matrix representation of fuzzy logic is used to solve classification problems.

Список использованных источников

  1. Заде Л. А. Понятие лингвистической переменной и его применение к принятию приближен-ных решений. - М.: Мир, 1976. -165 с.
  2. Алиев Р.А., Алиев Р.Р. Теория интеллектуальных систем и ее применение. - Баку, Изд-во Чашыоглы, 2001. – 720 с.
  3. Борисов А.Н., Крумберг О.А., Федоров И.П. Обработка нечеткой информации в системах принятия решений. М.: Радио и связь, 1989. 304 с.
  4. Пегат А. Нечеткое моделирование и управление. – М.: БИ-НОМ. Лаборатория знаний, 2009. – 798 с. (серия «Адаптивные и интеллектуальные системы).
  5. Heckerman, D. (1998) "A Tutorial on Learning with Bayesian Networks," In Jordan, M. (Ed.), Learning in Graphical Models,MIT Press.
  6. Vapnik, V. and Lerner, A. J., “Generalized portrait method for pattern recognition,” Automation and emote Control, vol. 24, no. 6, 1963.
  7. Марценюк, М.А. Матричное представление нечеткой логики [Текст] / М.А. Марценюк // Нечеткие системы и мягкие вычисления. Научный журнал Российской ассоциации нечетких си-стем и мягких вычислений. –2007. –Т. 2. –№ 3. –С. 7–35.
  8. C. J. C. Burges. “A Tutorial on Support Vector Machines for Pattern Recognition” Knowledge Discovery and Data Mining, 2(2), 1998.
  9. Vityaev E.E., Kostin V.V., Podko-lodny N.A., Kolchanov N.A. Natural classifycation of nucleotide se-quences. // Proc. of the Third Inter-national Conference On Bioinfor-matics of Genome Regulation and Structure (BGRS’ 2002, Novosi-birsk, Russia, July 14-20, 2002), v3, ICG, Novosibirsk, 2002, pp. 197-199.
  10. Штовба С.Д. "Введение в теорию нечетких множеств и нечеткую логику". http//www. matlab.exponenta.ru.
  11. Бекмуратов Т.Ф., Мухамедиева Д.Т., Бобомурадов О.Ж. Нечеткая модель прогнозирования урожайности// Научный журнал СО РАН “Проблемы информатики”. – Новосибирск, 2010. № 3. – С. 11-23.
  12. Bekmuratov T,F., Muhamedieva D.T., Bobomuradov O.J. Model prediction of yield initial conditions. Ninth International Conference on Application of Fuzzy Systems and Soft Computing. ICAFS – 2010. Edited by R.A. Aliev, K.W. Bonfig, M. Jamshidi, W. Pedrycz, I.B. Turksen. b – Quadrat Verlag. Prague, Czech Republic. August 26-27, 2010. – pp. 321-328.
  13. Bekmuratov T,F., Muhamedieva D.T., Bobomuradov O.J. Fuzzy inference system for forecasting problems. IJUCI - International Journal of Ubiquitous Computing and Internationalization. V.3, No. 1, April 2011. ITIRC. - pp. 1-6.
  14. Y.J. Oyang, S.C. Hwang, Y.Y. Ou, C.Y. Chen, Z.W. Chen, Data classification with the radial basis function network based on a novel kernel density estimation algorithm, IEEE Transactions on Neural Networks 16 (1) (2005) 225–236.
  15. G. Chen, et al. A new approach to classification based on association rule mining. Decis. Support Syst. 2006;42:674-689.
  16. Y.C. Hu, Fuzzy integralbased perceptron for twoclass pattern classification problems, Infor-mation Sciences 177 (2007) 1673–1686.
  17. K.G. Srinivasa, K.R. Venugopal, L.M. Patnaik, A self-adaptive migration model genetic algorithm for data mining applications, Information Sciences 177 (2007) 4295–4313.
  18. Primova, Kh. (2022). Calculating Z-number by Using the Fuzzy Conversion Method. International Journal of Theoretical and Applied Issues of Digital Technolo-gies, 1(1), 16–22.

Список всех публикаций, цитирующих данную статью