Identyfikatory
Warianty tytułu
Methods of adaptation of knowledge systems based on fuzzy sets
Języki publikacji
Abstrakty
Metody adaptacji systemów wiedzy opartej na zbiorach rozmytych są bardzo ważnym tematem, ponieważ udoskonalają i optymalizują wydajność systemów rozmytych poprzez właściwą metodę adaptacji. Metoda adaptacji zależy od konkretnego zastosowania, wymagań systemowych, dostępnych danych i dziedziny problemu. W artykule przedstawiono zagadnienia związane ze zbiorami rozmytymi oraz podano przykłady. Ponadto zaprezentowano metody adaptacji systemów wiedzy opartej na zbiorach rozmytych takie jak algorytmy genetyczne, programowanie ewolucyjne, algorytmy uczące się, uczenie przez wzmacnianie oraz adaptację online
Adaptation methods for knowledge systems based on fuzzy sets are a very important topic because they improve and optimize the performance of fuzzy systems through a proper adaptation method. The adaptation method depends on the specific application, system requirements, available data and the problem domain. In this paper, the issues related to fuzzy sets are presented and examples are given. In addition, methods for adaptation of fuzzy set-based knowledge systems such as genetic algorithms, evolutionary programming, learning algorithms, reinforcement learning and online adaptation are presented.
Czasopismo
Rocznik
Tom
Strony
11--20
Opis fizyczny
Bibliogr. 35 poz., rys., tab.
Twórcy
autor
- Uniwersytet Kazimierza Wielkiego Wydział Informatyki ul. Kopernika 1, 85-064 Bydgoszcz
Bibliografia
- 1. Seising R. The Fuzzification of Systems: The Genesis of Fuzzy Set Theory and itsInitial Applications – Developmentsup to the 1970s, Springer, 2007.
- 2. Paszek A. Zastosowanie logiki rozmytej w budowie systemów zarządzania wiedzą produkcyjną, Zakopane 2017, Konferencja Przemysł 4.0 a Zarządzanie i Inżynieria Produkcji, IZIP 2017.
- 3. Anholcer G. Z badań nad zastosowaniem teorii zbiorów rozmytych w logistyce, Zeszyty Naukowe 2010; 156.
- 4. Prokopowicz P., Czerniak J., Mikołajewski D., Apiecionek Ł., Ślęzak D. Theory and Applications of Ordered Fuzzy Numbers A Tribute to Professor Witold Kosiński, Springer Open, 2017
- 5. Zadeh L.A. FuzzySets, Information and control 8, 338-353 (1965)
- 6. Zadeh L.A., Aliev R.A. Fuzzy Logic Theory And Applications: Part I And Part II, World Scientific, 2018.
- 7. Brown J.G. A Note on Fuzzy Sets, Information and Control 18, 32-39 (1971).
- 8. Azam M.H., Hasan M.H., Hassan S., Abdulkadir S.J. Fuzzy Type-1 Triangular Membership Function Approximation Using Fuzzy C-Means, In Proceedings of the 2020 International Conference on Computational Intelligence (ICCI), 2020.
- 9. Rutkowski L. Flexible Neuro-Fuzzy Systems, Kluwer AcademicPublishers, 2004.
- 10. Klir G.J., Yuan B. Fuzzy Sets And Fuzzy Logic Theory and Applications, Prentice Hall PTR, 1995.
- 11. Stefik M. Introduction to Knowledge Systems, Morgan Kaufmann, 1995.
- 12. McNeill F.M., Thro E. Fuzzy Logic A Practical Approach, AP Professional, 1994.
- 13. Winiczenko R. Algorytmy genetyczne i ich zastosowania, Postępy Techniki Przetwórstwa Spożywczego, 2008.
- 14. Cox E. Fuzzy Modeling and Genetic Algorithms for Data Mining and Exploration, Morgan Kaufmann, 2005.
- 15. Wang, W., Jing, Z., Zhao, S., Lu, Z., Xing, Z., Guo, S. Intelligent Height Adjustment Method of Shearer Drum Based on Rough Set Significance Reduction and Fuzzy Rough Radial Basis Function Neural Network. Appl. Sci. 2023.
- 16. García-Valdez, M., Mancilla, A., Castillo, O., Merelo Guervós, J.J. Distributed and Asynchronous Population-Based Optimization Applied to the Optimal Design of Fuzzy Controllers. Symmetry 2023.
- 17. Fogel D.B. Evolutionary programming: an introduction and some current directions, Statistics and Computing, 1994.
- 18. Li H., Gupta M. M. FuzzyLogic and inteligent systems, Kluwer AcademicPublishers, 1995.
- 19. Houghten S., Banik S. Effective decoders for DNA codes, BioSystems, 2022.
- 20. Wiktorowicz K. Uczący się regulator rozmyty z modelem odniesienia, Pomiary Automatyka Kontrola, nr 12, 2008.
- 21. Rusiecki A. Algorytmy uczenia sieci neuronowych odporne na błędy w danych, Politechnika Wrocławska, 2007.
- 22. Smola A., Vishwanathan S.V.N. Introduction to Machine Learning, Cambridge University Press, 2008
- 23. Alsaadi F.E., Yasami A., Volos C., Bekiros S., Jahanshahi H. A New Fuzzy Reinforcement Learning Method for Effective Chemotherapy, Mathematics, 2023.
- 24. Bingham E., Reinforcement learning in neurofuzzy traffic Signac control, European Journal of Operational Research 131, 2001, 232-241.
- 25. Khati H., Talem H., Touat M.A., Mellah R., Guermah S., Online Adaptation of a Compensatory Neuro-Fuzzy Controller Parameters Using the Extended Kalman Filter: Application on anInverted Pendulum, Engineering Proceedings, 2022
- 26. Cara A.B., Lendek Z., Babuska R., Pomares H., Rojas I. Online self-organizing adaptive fuzzy controller: Application to a nonlinearservo system, FUZZ-IEEE 2010, IEEE International Conference on Fuzzy Systems, 2010.
- 27. Souza P.V.C. Fuzzy neural networks and neuro-fuzzy networks: A review the main techniques and applications used in the literature, Applied Soft Computing Volume 92, 2020.
- 28. Tadeusiewicz R. Sieci Neuronowe, Akademicka Oficyna Wydawnicza, 1993.
- 29. Gao, F., Hsieh, J.-G., Kuo, Y.-S., Jeng, J.-H. Study on Resistant Hierarchical Fuzzy Neural Networks, Electronics, 2022.
- 30. Hsieh J.G., Jeng J.H., Lin Y.L., Kuo Y.S. Single index fuzzy neural networks using locally weighted polynomial regression, Elsevier, 2019.
- 31. Zimmermann H.-J. Fuzzy Set Theory and its applications, Springer, 2001
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-49ee2324-a30e-42d0-bfbe-21405ac3e9d4
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.