Optymalizacja przy pomocy roju cząstek bazy reguł klasyfikatora rozmytego

• Autorzy: Głuszek A. , Gorzałczany M. B. , Rudziński F.

Warianty tytułu

EN

Particle swarm optimization of the fuzzy classifier rule base

• Języki publikacji: PL

Abstrakty

PL

Systemy rozmyte wykorzystywane są często jako systemy eksperckie, w tym systemy klasyfikacji danych. Szczególnie ważną kwestią jest w tym przypadku stworzenie i optymalizacja bazy reguł rozmytych na podstawie danych, opisujących konkretne zagadnienie. W tym celu stosowane są głównie metody z obszaru tzw. inteligencji obliczeniowej (ang. computational intelligence), zwłaszcza z zakresu algorytmów ewolucyjnych. Pierwsza część niniejszego artykułu prezentuje zastosowanie, należącego do obszaru tzw. inteligencji rojowej, algorytmu optymalizacji rojem cząstek PSO (ang. Particle Swarm Optimization) do optymalizacji bazy reguł klasyfikatora rozmytego. W drugiej części artykułu przedstawiono zastosowanie proponowanego podejścia do problemu klasyfikacji dwóch zbiorów danych, pochodzących ze znanej bazy UCI Machine Learning Repository (tzw. Iris Data i Glass Identification Data). Uzyskane wyniki porównano z rezultatami działania metod alternatywnych  algorytmu największego spadku oraz klasycznego algorytmu genetycznego.

EN

Fuzzy systems are often used as expert systems including data classification systems. Very important issue is designing and optimization of their fuzzy rule bases from available pattern data. For this purpose, methods from the area of computational intelligence (especially evolutionary algorithms) are usually applied. The first part of this paper presents an application of the particle swarm optimization algorithm for optimizing rule base of the fuzzy classifier. Particle swarm optimization belongs to the class of swarm intelligence algorithms. Swarm intelligence techniques use the collective behaviors of many simple agents which interact with each other and with their environment. The second part of the paper describes the application of the presented method for the classification of two well-known data sets from UCI Machine Learning Repository (Iris Data and Glass Identification Data). The proposed approach is also compared with two alternative methods - gradient descent and genetic algorithm

Słowa kluczowe

PL

klasyfikator rozmyty; inteligencja obliczeniowa; inteligencja rojowa

EN

fuzzy classifier; computational intelligence; swarm intelligence

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 6
• Strony: 3960--3968
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Głuszek A.

• Politechnika Świętokrzyska, Wydział Elektrotechniki, Automatyki i Informatyki, Al. 1000-lecia P.P. 7, 25-314 Kielce

autor

Gorzałczany M. B.

• Politechnika Świętokrzyska, Wydział Elektrotechniki, Automatyki i Informatyki, Al. 1000-lecia P.P. 7, 25-314 Kielce

autor

Rudziński F.

• Politechnika Świętokrzyska, Wydział Elektrotechniki, Automatyki i Informatyki, Al. 1000-lecia P.P. 7, 25-314 Kielce

Bibliografia

• 1. Engelbrecht A.P., Computational Intelligence An Introduction, J.Wiley&Sons, Chichester, UK, 2007.
• 2. Engelbrecht A.P., Fundamentals of Computational Swarm Intelligence. J.Wiley&Sons, Chichester, UK, 2005.
• 3. Gorzałczany M.B., Rudziński F., A modified Pittsburg approach to design a genetic fuzzy-rule based classifier from data. W L. Rutkowski, R. Scherer, R. Tadeusiewicz, L.A. Zadeh, J. Żurada (Red.), Artificial Intelligence and Soft Computing – ICAISC 2010, seria wydawnicza Lecture Notes in Artificial Intelligence 6113, Springer-Verlag, Berlin, Heidelberg, str. 88-96, 2010.
• 4. Gorzałczany M.B., An interval-valued fuzy inference method – some basic properties, Fuzzy Sets and Systems (North-Holland, Elsevier Science Publ.) 31, str. 243-251, 1989.
• 5. Gorzałczany M.B., A method of inference in approximate reasoning based on interval-valued fuzzy sets. Fuzzy Sets and Systems (North-Holland, Elsevier Science Publ.) 21, str. 1-17, 1987.
• 6. Kacprzyk J., Multistage Fuzzy Control, J.Wiley&Sons, New York, 1997.
• 7. Kennedy J, Eberhart R., Particle Swarm Optimization. Proc. of IEEE International Conference on Neural Networks, IEEE Press, Piscataway, NJ, 1995.
• 8. Kennedy J, Eberhart R., Swarm Intelligence. Morgan Kaufman, San Francisco, CA, 2001.
• 9. Kosko B., Neural Networks and Fuzzy Systems, Prentice-Hall, Englewood Cliffs, 1992.
• 10. Larose D.T., Odkrywanie wiedzy z danych, PWN, Warszawa, 2006.
• 11. Nauck D., Klawonn F., Kruse R.: Foundations of Neuro-Fuzzy Systems. J.Wiley&Sons, Chichester, UK, 1997.
• 12. Pedrycz W., Fuzzy Control and Fuzzy Systems, J.Wiley&Sons, New York, 1989.
• 13.Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, PWN, Warszawa-Łódź, 1997.
• 14. UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA, University of California, School of Information and Computer Science.
• 15.Wang L.-X., Mendel J.M., Generating fuzzy rules by learning from examples. IEEE Trans. on Systems, Man and Cybernetics 22(6), str. 1414-1427, 1992.