ОБРАБОТКА ИНФОРМАЦИИ И АНАЛИЗ ДАННЫХ
В. Г. Синюк, C. В. Кулабухов "Машинное обучение нейро-нечеткой системы на основе нечеткого значения истинности"
ПРИКЛАДНЫЕ АСПЕКТЫ ИНФОРМАТИКИ
СИСТЕМЫ УПРАВЛЕНИЯ
В. Г. Синюк, C. В. Кулабухов "Машинное обучение нейро-нечеткой системы на основе нечеткого значения истинности"

Аннотация. 


В работе описываются нейро-нечеткие системы, в которых вывод осуществляется продукционными системами логического типа на основе нечеткого значения истинности. Для обучения таких систем рассматривается применение эволюционной стратегии (μ, λ). Описывается ряд особенностей реализации системы. Приводятся результаты вычислительного эксперимента, состоящего в аппроксимации функциональной зависимости нейро-нечеткой системой, обучением и оценкой качества.

Ключевые слова: 

нечеткие системы, нейро-нечеткие системы, эволюционные стратегии.
 
Стр. 3-11.
 
DOI 10.14357/20718632200101
 
Литература

1. Zadeh L.A. Outline of a New Approach to the Analysis of Complex Systems and Decision Processes // IEEE Trans. of Systems, Man and Cybernetics. 1973. Т. SMC-3. №1. С. 28–42.
2. Mamdani E.H. Application of Fuzzy Algorithm for Control a Simple Dynamic Plant // Proc. IEEE. 1974. Т. 121. № 12. С. 1585–1588.
3. Larsen P.M. Industrial Applications of Fuzzy Logic Control // Intern. J. Man-Machine Studies. 1980. Т. 12. № 1. С. 3–10.
4. Takagi T., Sugeno M. Fuzzy identification of systems and its applications to modeling and control // IEEE Trans. of System. Man. and Cybernetics. 1985. Т. SMC-15. № 1. С. 116–132.
5. Tsukamoto Y. An Approach to Fuzzy Reasoning Method // Advances in Fuzzy Sets Theory and Applications / ред. M. M. Gupta, R. K. Ragade, R. R. Yager. Amsterdam: North-Holland, 1979. С. 137–149.
6. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ – Петербург, 2003. 736 c.
7. Ротштейн А.П., Штовба С.Д. Идентификация нелинейной зависимости нечеткой обучающей выборкой // Кибернетика и системный анализ. 2006. № 2. С. 116–132.
8. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. 2-е изд. М.: Горячая линия – Телеком, 2012. 285 с.
9. Рутковский Л. Методы и технологии искусственного интеллекта. М.: Горячая линия – Телеком, 2010. 520 с.
10. Рутковская Д., Пилинский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с польск. М.: Горячая линия – Телеком, 2006. 452 с.
11. Sinuk V.G., Poluakov V.M., Kutsenko D.A. New Fuzzy Truth Value Based Inference Methods for Non-singleton MISO Rule-Based Systems // Proc. of the First Intern. Scientific Conf. «Intelligent Information Technologies for Industry» (IITI’16). Advances in Intelligent Systems and Computing. 2016. Т. 450. С. 395–405.
12. Михелев В.В., Синюк В.Г. Методы вывода для систем логического типа на основе нечеткой степени истинности // Изв. РАН. ТиСУ. 2018. Т. 57. № 3. С. 108–115.
13. Борисов А.Н., Алексеев А.В., Крунберг О.А. и др. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982. 256 с.
14. Zadeh L.A. PRUF — A Meaning Representation Language for Natural Language // Intern. J. Man-Machine Studies. 1978. Т. 10. № 4. С. 395–460
15. Дюбуа Д., Прад А. Теория возможностей. Приложение к представлению знаний в информатике. М.: Радио и связь, 1990. 287 с.
16. Куценко Д.А., Синюк В.Г. Методы вывода для систем со многими нечеткими входами // Изв. РАН. ТиСУ. 2015. Т. 54. № 3. С. 375–383.
 
 
2024 / 03
2024 / 02
2024 / 01
2023 / 04

© ФИЦ ИУ РАН 2008-2018. Создание сайта "РосИнтернет технологии".