Побудова класифікаційної нечіткої бази знань на основі трендових правил і оберненого виведення

Abstract

Запропоновано метод побудови класифікаційних нечітких баз знань, в яких носієм експертної інформації є трендові правила «причини – наслідки». Показано, що класифікаційні нечіткі правила, які з’єднують міри значимостей причин і наслідків за допомогою нечітких квантифікаторів, представляють множину розв’язків системи нечітких логічних рівнянь для заданих класів виходу

Предложен метод построения классификационных нечетких баз знаний, в которых носителем экспертной информации являются трендовые правила «причины – следствия». Показано, что классификационные нечеткие правила, которые связывают меры значимостей причин и следствий с помощью нечетких квантификаторов, представляют множество решений системы нечетких логических уравнений для заданных классов выхода

In this paper, an approach to fuzzy classification rules construction within the framework of fuzzy relation equations is proposed. At the same time, the system of fuzzy trend rules serves as a carrier of expert information and generator of rules - solutions of fuzzy relation equations. The system of fuzzy classification rules can be rearranged as a set of linguistic solutions of fuzzy relation equations using the composite system of fuzzy terms, e.g. “significant rise”, “essential drop” etc., causes and effects significance measures are described by fuzzy quantifiers. The problem of inverse logical inference, which lies in restoring the coordinates of the maximum of the fuzzy input terms membership functions for each output class is reduced to solving the system of fuzzy relation equations using a genetic algorithm.

The proposed approach allows to avoid the alternative rule ion. The aim of the rule ion methods is to reduce the system complexity by removing inefficient and redundant rules and improve the system accuracy by introducing alternative rules into the final rule base. Using expert knowledge cannot guarantee the optimal cooperation activity among rules. The rule ion problem is still relevant since there is currently no single methodical standard for the optimal structural adjustment of fuzzy classification knowledge bases.

Solving fuzzy relation equations using the genetic algorithm ensures the optimal number of fuzzy rules for each output term and optimal form of the membership functions of the fuzzy input terms for each linguistic solution.