Ієрархічна нейро-нечітка модель оберненого виведення для налаштування структури класифікаційних правил

Abstract

Отримав подальший розвиток адаптивний підхід до налаштування структури класифікаційних нечітких баз знань на основі трендових відношень або правил і оберненого логічного виведення. Взаємозв’язок «причини – наслідки» моделюється на основі рівнянь нечітких відношень з ієрархічною max-min/min-max композицією. Запропоновано ієрархічну нейро-нечітку модель оберненого виведення на основі трендових правил, яка дозволяє спростити процес навчання порівняно із розширеною нейро-нечіткою мережею на основі трендових відношень. Розв’язання задачі оберненого виведення здійснюється за допомогою рекурентних співвідношень, які відповідають налаштуванню координат максимуму функцій належності вхідних термів та мір значимостей комбінацій причин у експертних розв’язках трендової системи рівнянь.

Получил дальнейшее развитие адаптивный подход к настройке структуры классификационных нечетких баз знаний на основе трендовых отношений или правил и обратного логического вывода. Взаимосвязь «причины – следствия» моделируется на основе уравнений нечетких отношений с иерархической max-min/min-max композицией. Предложена иерархическая нейро-нечеткая модель обратного вывода на основе трендовых правил, которая позволяет упростить процесс обучения по сравнению с расширенной нейро-нечеткой сетью на основе трендовых отношений. Решение задачи обратного вывода осуществляется с помощью рекуррентных соотношений, которые соответствуют настройке координат максимума функций принадлежности входных термов и мер значимостей комбинаций причин в экспертных решениях трендовой системы уравнений

An adaptive approach to structural tuning of fuzzy classification knowledge bases built on trend relations or rules and inverse logic inference is developed. Causes – effects interconnection is modelled using fuzzy relational equations with the hierarchical max-min/min-max composition. The hierarchical neuro-fuzzy model of inverse inference based on trend rules is proposed. The network allows simplifying the training process in comparison with the extended neuro-fuzzy network based on trend relations. Resolution of the problem of inverse inference is done using recurrent correlations, which correspond to adjustment of the coordinates of maximum of input terms membership functions and causes combinations significance measures for the expert solutions of the trend system of equations.