Metody wyznaczania parametrów początkowych systemów neuronowo-rozmytych

• Autorzy: Kądziołka K.
• Języki publikacji: PL

Abstrakty

PL

W artykule zostały zaprezentowane cztery metody wyznaczania parametrów początkowych systemów neuronowo – rozmytych. Na podstawie uzyskanych wyników można zauważyć, że sposób wyznaczenia parametrów początkowych systemu może mieć istotny wpływ na wynik klasyfikacji. Przykładowo dla zbioru „iris” w przypadku losowego wyznaczania parametrów początkowych uzyskano średnią skuteczność klasyfikacji wynoszącą 86,66%, zaś gdy parametry początkowe wyznaczone były jako średnie i odchylenia standardowe wartości odpowiednich atrybutów wówczas skuteczność ta wyniosła 94,66% (Tabela 3). Zaobserwowano również, że połączenie w procesie optymalizacji parametrów początkowych systemu metody największego spadku z metodą najmniejszych kwadratów może prowadzić do wzrostu skuteczności klasyfikacji i zmniejszenia liczby epok w procesie uczenia (Tabela 4).

EN

In this paper we examine the performance of four method for setting initial parameters of neuro-fuzzy systems. First method generates this parameters randomly. The second method generates it using mean and the standard deviation of attribute values. Third method generates it using clustering techniques and the last one generates initial parameters using grid partition. Initial parameters were optimized using gradient descent method and combining this method with the least squares optimization. The performance of each approach was evaluated on “iris” and “Pima Indian Diabetes” data sets.

Słowa kluczowe

PL

system neuro-fuzzy; klasyfikacja; metody grupowania

EN

neuro-fuzzy system; classification; clustering methods

• Wydawca: Komisja Informatyki Polskiej Akademii Nauk, Oddział w Gdańsku
• Czasopismo: Metody Informatyki Stosowanej
• Rocznik: 2010
• Tom: nr 1 (22)
• Strony: 63--68
• Opis fizyczny: Bibliogr. 8 poz., rys., tab.

Twórcy

autor

Kądziołka K.

• Akademia Ekonomiczna w Katowicach, Wydział Finansów i Ubezpieczeń

Bibliografia

• [1] Jain R., Abraham A., A Comparative Study of Fuzzy Classification Methods on Breast Cancer Data. Australiasian Physical And Engineering Sciences in Medicine, Australia, Volume 27, No.4, pp. 147-152, 2004
• [2] Jang R., ANFIS: Adaptive – Network – Based Fuzzy Inference System, IEEE Trans. on Systems, Man and Cybernetics, vol. 23, no. 3, pp. 665-685, May 1993
• [3] Kądziołka K., Zastosowanie systemów neuronowo-rozmytych do prognozowania finansowych szeregów czasowych, Materiały Konferencji Naukowej „Innowacje w finansach i ubezpieczeniach – metody matematyczne, ekonometryczne i komputerowe”, Ustroń, Polska 2009.
• [4] Kądziołka K., Klasyfikacja kredytobiorców z wykorzystaniem sieci neuronowo-rozmytej, Metody matematyczne, ekonometryczne i komputerowe w finansach i ubezpieczeniach 2008, Wydawnictwo Akademii Ekonomicznej w Katowicach, 2009, s.133-142.
• [5] Nałęcz M. i in., Biocybernetyka i inżynieria biomedyczna 2000. Tom 6: Sieci neuronowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.
• [6] Piegat A., Modelowanie i sterowanie rozmyte. Akademicka Oficyna Wydawnicza EXIT, Warszawa 1999
• [7] Repozytorium UCI, dostępne na stronie internetowej: http://mlearn.ics.uci.edu/databases/ [dostęp: maj 2010].
• [8] Zhang D., Chen S., Clustering incomplete data using kernel-based fuzzy c-means algorithm. Neural Processing Letters, 2003, 18(3), pp. 155-162