Нейро-мережевий підхід до налаштування структури класифікаційних правил на основі рівнянь нечітких відношень

Abstract

Пропонується адаптивний підхід до налаштування структури класифікаційних правил на основі розв’язання рівнянь нечітких відношень, що дозволяє уникнути надлишковості нечіткої бази знань. Суть підходу полягає у побудові та навчанні нейро-нечіткої мережі оберненого виведення, ізоморфної системі рівнянь нечітких відношень, яка дозволяє коригувати нечіткі правила в міру появи нових експериментальних данихПредлагается адаптивный подход к настройке структуры классификационных правил на основе решения уравнений нечетких отношений, что позволяет избежать избыточности нечеткой базы знаний. Суть подхода состоит в построении и обучении нейро-нечеткой сети обратного вывода, изоморфной системе уравнений нечетких отношений, которая позволяет корректировать нечеткие правила по мере появления новых экспериментальных данныхAn adaptive approach to structural tuning of classification rules based on solving fuzzy relational equations, allowing to avoid the fuzzy knowledge base redundancy is proposed. The approach lies in building and training the neural-fuzzy backward chaining network, the isomorphic system of fuzzy relational equations, which allows to adjust the structure of fuzzy rules as new experimental data appear.

Because of the lack of effective ion methods, there is no single methodological standard for structural tuning of fuzzy rules. Modern neural-fuzzy systems use heuristic ion methods to reduce the number of rules without losing the distinctive ability of the network.

It was found that using the neural-fuzzy backward chaining network allows to avoid the knowledge base redundancy while preserving the inference precision. The number of rules in the class is equal to the number of solutions, and the form of membership functions of fuzzy terms is defined by intervals of values of input variables in each solution. This approach is an alternative to the classical approach, based on ion of rules a set of rules-candidates that prevents obtaining compact fuzzy knowledge bases