Application of the k nearest neighbors method to fuzzy data processing

• Autorzy: Pluciński M. , Pietrzykowski M.

Identyfikatory

DOI

10.15199/48.2017.01.19

Warianty tytułu

PL

Zastosowanie metody k najbliższych sąsiadów do przetwarzania danych rozmytych

• Języki publikacji: EN

Abstrakty

EN

The paper presents that with the application of fuzzy numbers arithmetic, the k nearest neighbors method can be adapted to various types of data. Both, the learning data and the input data may be in the form of the crisp number, interval or fuzzy number. Experiments proved that the method works correctly and gives credible results. There is also shown that the kNN method can be used for the determination of the fuzzy model output.

PL

W artykule pokazano, że z wykorzystaniem arytmetyki rozmytej, metoda k najbliższych sąsiadów może być zastosowana do danych różnego typu. Zarówno dane uczące, jak i dane wejściowe modelu mogą być liczbami, interwałami lub liczbami rozmytymi. Eksperymenty wykazały, że metoda działa prwidłowo i daje wiarygodne wyniki. Zaprezentowano również możliwość użycia metody k najbliższych sąsiadów do wyznaczania wyjścia modelu rozmytego.

Słowa kluczowe

EN

k-nearest neighbors method; fuzzy number; fuzzy arithmetic; fuzzy model

PL

metoda k najbliższych sąsiadów; liczba rozmyta; arytmetyka rozmyta; model rozmyty

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2017
• Tom: R. 93, nr 1
• Strony: 77--81
• Opis fizyczny: Bibliogr. 17 poz., rys., tab., wykr.

Twórcy

autor

Pluciński M.

• Faculty of Computer Science and Information Technology, West Pomeranian University of Technology, Żołnierska 49, 71-210 Szczecin, Poland

autor

Pietrzykowski M.

• Faculty of Computer Science and Information Technology, West Pomeranian University of Technology, Żołnierska 49, 71-210 Szczecin, Poland

Bibliografia

• [1] Atkeson C.G., Moore A.W., Schaal S.A.: Locally weighted learning. Artificial Intelligence Review, 11, pp. 11–73, 1997.
• [2] Cichosz P.: Learning systems. WNT Publishing House, Warsaw, 2000. [in Polish]
• [3] Diamond P., Rosenfeld A.: Metric spaces of fuzzy sets. Fuzzy Sets and Systems, 35, pp. 241–249, 1990.
• [4] Dubois D., Prade H.: Operations on fuzzy numbers. International Journal of Systems Science, 9(6), pp. 613–626, 1978.
• [5] Dutta P., Boruah H., Ali T.: Fuzzy Arithmetic with and without using α-cut method: A Comparative Study. International Journal of Latest Trends in Computing, 2(1), pp. 99–107, 2011.
• [6] Hand D., Mannila H., Smyth P.: Principles of data mining. The MIT Press, 2001.
• [7] Hanss M.: Applied fuzzy arithmetic. Springer Verlag, Berlin, Heidelberg, 2005
• [8] Grzegorzewski P: Metrics and orders in space of fuzzy numbers. Fuzzy Sets and Systems, 97, pp. 83–94, 1998.
• [9] Kaufmann A., Gupta M.M.: Introduction to fuzzy arithmetic. Van Nostrand Reinhold, New York, 1991.
• [10] Kordos M., Blachnik M., Strzempa D.: Do We Need Whatever More Than k-NN? In: Rutkowski, L., Scherer, R., Tadeusiewicz, R., Zadeh, L.A., Zurada, J.M. (eds.) ICAISC 2010. LNCS, vol. 6113, pp. 414-421. Springer, Heidelberg, 2010.
• [11] Korzeń M., Klęsk P.: Sets of approximating functions with finite Vapnik-Czervonenkis dimension for nearest-neighbours algorithm. Pattern Recognition Letters, 32, pp. 1882–1893, 2011.
• [12] Moore R.E., Kearfott R.B., Cloud M.J.: Introduction to interval analysis. Society for Industrial and Applied Mathematics, Philadelphia, 2009.
• [13] Piegat A.: Fuzzy modeling and control. Physica Verlag, Heidelberg-New York, 2001.
• [14] Pluciński M.: Application of data with missing attributes in the probability RBF neural network learning and classification. Artificial Intelligence and Security in Computing Systems: Proceedings of the 9th International Conference ACS’2002, Eds.: J. Sołdek, L. Drobiazgiewicz, Boston/Dordrecht/London: Kluwer Academic Publishers, pp. 63–72, 2003.
• [15] Pluciński M.: Application of the information-gap theory for evaluation of nearest neighbours method robustness to data uncertainty. Przegla˛d Elektrotechniczny, 88(10b), pp. 272–275, 2012.
• [16] TangW., Li X., Zhao R.: Metric spaces of fuzzy variables. Computers & Industrial Engineering, 57, pp. 1268–1273, 2009.
• [17] Wasserman P.D.: Advanced methods in neural computing. New York, Van Nostrand Reinhold, 1993.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).