ГЕНЕТИЧНИЙ АЛГОРИТМ ВИБОРУ ПРАВИЛ НЕЧІТКОЇ БАЗИ ЗНАНЬ, ЗБАЛАНСОВАНОЇ ЗА КРИТЕРІЯМИ ТОЧНОСТІ ТА КОМПАКТНОСТІ

  • Сергій Дмитрович Штовба Вінницький національний технічний університет
  • Віктор Володимирович Мазуренко Вінницький національний технічний університет
  • Дмитро Анатолійович Савчук Вінницький національний технічний університет
Ключові слова: нечітка база знань, точність, компактність, вибір правил, парето-фронт, генетична оптимізація

Анотація

Запропоновано генетичний алгоритм пошуку набору правил для формування нечіткої бази знань, збалансованої за критеріями точності та компактності. Відмінністю алгоритму є введення в постановку задачі оптимізації лінійного обмеження, яке задає рівень компенсації точності моделі її компактністю. Це наближує область допустимих розв’язків до парето-фронту.

Біографії авторів

Сергій Дмитрович Штовба, Вінницький національний технічний університет
професор, д. т. н., професор кафедри комп’ютерних систем управління
Віктор Володимирович Мазуренко, Вінницький національний технічний університет
аспірант кафедри комп’ютерних систем управління
Дмитро Анатолійович Савчук, Вінницький національний технічний університет
студент інститут автоматики, електроніки та комп’ютерних систем управління

Посилання

1. Штовба С. Д. Проектирование нечетких систем средствами MATLAB / С. Д. Штовба. – М.: Горячая линия. – Телеком, 2007. – 288 с.

2. Martello S. Knapsack problems: algorithms and computer implementations / S. Martello , P. Toth. – New York: John Wiley & Sons, Inc, 1990. – 296 p.

3. Ishibuchi H. Selecting fuzzy if-then rules for classification problems using genetic algorithms / H. Ishibuchi, K. Nozaki, N. Yamamoto, H. Tanaka // IEEE Transactions on Fuzzy Systems. – 1995. – Vol. 3, No. 3. – P. 260 – 270.

4. Ishibuchi H. Single-objective and two-objective genetic algorithms for selecting linguistic rules for pattern classification problems / H. Ishibuchi, T. Murata, I. B. Turksen // Fuzzy Sets and Systems. – 1997. – Vol. 89, No. 2 – P. 135 – 150.

5. Ishibuchi H. Three-objective genetics-based machine learning for linguistic rule extraction / H. Ishibuchi, T. Nakashima, T. Murata // Inform. Sci. – 2001. – Vol. 136, No. 1. – P. 109 – 133.

6. Cordon O. A historical review of evolutionary learning methods for Mamdani-type fuzzy rule-based systems: Designing interpretable genetic fuzzy systems / O. Cordon // International Journal of Approximate Reasoning. – 2011. – Vol. 52. – P. 894 – 913.

7. Cordon O. Ten years of genetic fuzzy systems: current framework and new trends / O. Cordon, F. Gomideb, F. Herreraa, F. Homannc, L. Magdalenad // Fuzzy Sets and Systems. – 2004. – Vol. 141. – P. 5 – 31.

8. Штовба С. Д. Вплив кількості нечітких правил на точність бази знань Мамдані / С. Д. Штовба , В. В. Мазуренко , О. Д. Панкевич // Вісник Хмельницького національного університету. Технічні науки. – 2011. – № 2. – С. 185 – 188.

9. Штовба С. Д. Дослідження навчання компактних нечітких баз знань типу Мамдані / С. Д. Штовба, В. В. Мазуренко // Штучний інтелект. – 2011. – № 4. – С. 521 – 529.

10. Штовба С. Д. Дослідження навчання компактних нечітких синглтонних баз знань / С. Д. Штовба, В. В. Мазуренко // Вимірювальна та обчислювальна техніка в технологічних процесах. – Хмельницький: ХНУ., 2011 – № 1 – С. 133 – 139.

11. Штовба С. Д. Залежність точності ідентифікації від обсягу нечіткої синглтонної бази знань / С. Д. Штовба , О. Д. Панкевич, В. В. Мазуренко // Інформаційні технології та комп’ютерна інженерія. – 2011. – № 1. – С. 73 – 78.
Як цитувати
Розділ
Інформаційні технології та комп'ютерна техніка

Найчитабильні статті цього ж автора(ів)

Цей плагін вимагає, щонайменше, один звіт статистики / плагін повинен бути включений. Якщо плагіни вашої статистики забезпечують більше однієї метрики, будь ласка, також виберіть основну метрику на сторінці налаштувань адміністратор сайту і / або на сторінках налаштувань менеджера журналу.