<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Побудова інтерпретабельних правил на основі обмежених розв’язків системи нечітких логічних рівнянь

Ескіз

Файли

17396.pdf (282,25 KB)

Дата

2023

Автори

Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

Анотація

A fuzzy model based on constrained linguistic solutions of the system of fuzzy relation equations (SFRE) is proposed. For the predefined granularity level, the constraints are imposed on significance measures of the primary terms associated with linguistic modifiers. A method for designing interpretable rules by solving the SFRE using linguistic modifiers is proposed. The proposed method allows eliminating generation and selection of linguistic descriptions in the form of relational data models. The tuning process is simplified due to ability to parallelize the process of numerical resolution of the SFRE.

Опис

Ключові слова

fuzzy classification rules , system of fuzzy relation equations (SFRE) , interval solutions , constrained linguistic solutions

УДК

681.5015:007

Тип документа

Thesis

Мова

uk_UA

Є частиною

Матеріали LII Науково-технічної конференції підрозділів ВНТУ, Вінниця, 21-23 червня 2023 р.

ISSN

Бібліографічний опис

Ракитянська Г. Б. Побудова інтерпретабельних правил на основі обмежених розв’язків системи нечітких логічних рівнянь [Електронний ресурс] / Г. Б. Ракитянська // Матеріали LII Науково-технічної конференції підрозділів ВНТУ, Вінниця, 21-23 червня 2023 р. – Електрон. текст. дані. – 2023. – Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2023/paper/view/17396.

URI

http://ir.lib.vntu.edu.ua/handle/123456789/39330

Зібрання

НТКП ВНТУ. Факультет інформаційних технологій та комп'ютерної інженерії (2023)

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (8)

  1. Pedrycz W., Chen Sh.-M. (Eds.). Interpretable Artificial Intelligence: A Perspective of Granular Computing. Studies in Computational Intelligence. – Cham: Springer, 2021. https://doi.org/10.1007/978-3-030-64949-4
  2. Cpalka K. Design of Interpretable Fuzzy Systems. Studies in Computational Intelligence, Vol. 684. – Cham: Springer, 2017. https://doi.org/10.1007/978-3-319-52881-6
  3. Magdalena L. Semantic interpretability in hierarchical fuzzy systems: Creating semantically decouplable hierarchies // Information Sciences. – 2019. – Vol. 496. – P. 109–123. https://doi.org/10.1016/j.ins.2019.05.016
  4. Rotshtein A., Rakytyanska H. Optimal design of rule-based systems by solving fuzzy relational equations. In: Hippe, Z., Kulikowski, L., Mroczek, T., Wtorek, J. (Eds.), Issues and Challenges in Artificial Intelligence, Vol. 559, Studies in Computational Intelligence. – Cham: Springer, 2014. – P. 167–178. https://doi.org/10.1007/978-3-319-06883-1_14
  5. Rakytyanska H. Optimization of fuzzy classification knowledge bases using improving transformations // Eastern-European Journal of Enterprise Technologies. – 2017. – Vol. 5(2). – P. 33–41. https://doi.org/10.15587/1729-4061.2017.110261
  6. Rakytyanska H. Classification rule hierarchical tuning with linguistic modification based on solving fuzzy relational equations // Eastern-European Journal of Enterprise Technologies. – 2018. – Vol. 1(4). – P. 50–58. https://doi.org/10.15587/1729- 4061.2018.123567
  7. Di Nola A., Sessa S., Pedrycz W., Sancez E. Fuzzy Relational Equations and Their Applications to Knowledge Engineering. – Dordrecht: Kluwer, 1989.
  8. Bartl E., Belohlavek R., Vychodil V. Bivalent and other solutions of fuzzy relational equations via linguistic hedges // Fuzzy Sets and Systems. – 2012. – Vol. 187 (1). – P. 103–112. https://doi.org/10.1016/j.fss.2011.05.020