Аннотация. 

В статье предлагается подход к построению гранулированных моделей непосредственно на основе информационных гранул, выраженных как во входном, так и в выходном пространствах. Связывая эти информационные гранулы, построенные гранулированные модели представлены в рамках нейронных сетей в системе, включающей три уровня: входные гранулы, схема вывода и выходные гранулы. Применен расширенный принцип обоснованной гранулярности для построения информационных гранул во входном пространстве. Предполагается схема вывода путем анализа местоположения входных данных по отношению к уже сформированным информационным гранулам во входном пространстве. Вычисленное соотношение может быть количественно определено в виде степеней принадлежности, что дает результаты агрегирования, включающие информационные гранулы в выходном пространстве. Проведены экспериментальные исследования, касающиеся синтетических и общедоступных данных. Дан некоторый сравнительный анализ с использованием моделей, основанных на правилах.

Ключевые слова: 

информация, нейросетевые структуры, моделирование, архитектура сетей, оптимизация, информационные гранулы.

Стр. 81-90.

DOI: 10.14357/20790279220308

 

 

Литература

1. Yao J., Vasilakos A.V., Pedrycz W. Granular computing: Perspectives and challenges // IEEE Trans. Cybern. 2013. 43 (6). P. 1977–1989.

2. Myung-Won Lee, Keun-Chang Kwak. Optimization by Context Refinement for Development of Incremental Granular Models // Symmetry. 2020. Vol. 12. P. 1916.

3. Zhu X., Pedrycz W., Li Z. A Two-Stage Approach for Constructing Type-2 Information Granules // IEEE Transactions on Cybernetics. 2022. Vol. 52(4). P. 2214-2224.

4. Gong Y., Li X., Jiang W. A New Method for Ranking Discrete Z-number // 2020 Chinese Control And Decision Conference (CCDC). 2020. P. 3591-3596.

5. Hassan S. G., Iqbal S., Garg H., Hassan M., Shuangyin L., Kieuvan T. T. Designing Intuitionistic Fuzzy Forecasting Model Combined With Information Granules and Weighted Association Reasoning // IEEE Access. 2020. Vol. 8. P. 141090-141103.

6. Shan D., Lu W., Yang J. Interval granular fuzzy models: Concepts and development // IEEE Access. 2019. Vol.7. P. 24140–24153.

7. Firsov A.N., Zhilenkov A.A., Chernyi S.G. Solving problems in transportation systems modeled by the nonlinear Kolmogorov-Feller equation // Journal of Information Technologies and Computing Systems. 2021. № 2. С. 84-93.

8. Жиленков А.А., Черный С.Г. Применение нейронечеткого моделирования для задач идентификации многокритериальности в транспортной отрасли // Вестник СамГУПС. 2014. № 1 (23). С. 100-106.