INTEGR - A Method for Integrating Expert Knowledge and Knowledge Derived from a Data Set

• Autorzy: Rejer I.

Warianty tytułu

PL

INTEGR - metoda integracji wiedzy eksperckiej z wiedzą wydobytą z danych pomiarowych

• Języki publikacji: EN

Abstrakty

EN

The aim of the paper is to present a new approach for integrating expert knowledge with knowledge derived from a data set, called INTEGR. INTEGR approach is based on the method of training an expert fuzzy model with a set of data points but eliminates main drawbacks of this method. The paper presents both - the theoretical description of INTEGR algorithm and its practical application.

PL

Zarówno modele rozmyte budowane na podstawie zbioru danych pomiarowych jak i modele rozmyte budowane przy wykorzystaniu wiedzy eksperckiej mają specyficzne dla siebie wady i zalety. Model ekspercki jest modelem przybliżonym, ale obowiązującym w całej dziedzinie analizowanej zależności, natomiast model zbudowany na podstawie zbioru danych pomiarowych jest modelem dokładnym, ale wiarygodnym tylko w pewnym, ściśle określonym fragmencie dziedziny. Wynika z tego, że aby zwiększyć precyzję rozmytych modeli eksperckich należy do nich dołączyć wiedzę zawartą w danych pomiarowych i analogicznie, żeby poszerzyć zakres stosowalności modeli rozmytych opracowanych na podstawie zbioru danych pomiarowych należy dołączyć do nich wiedzę ekspercką. Celem niniejszego artykułu jest przedstawienie nowej metody integracji wiedzy eksperckiej z wiedzą wydobytą z danych pomiarowych (metody INTEGR). Opisywana metoda jest oparta na uczeniu eksperckiego modelu rozmytego przy pomocy zbioru danych pomiarowych, ale eliminuje podstawowe wady tego podejścia. W artykule zaprezentowano zarówno teoretyczny opis metody, jak i jej praktyczne wykorzystanie na przykładzie modelu rozmytego przeznaczonego do wyceny samochodów używanych.

Słowa kluczowe

EN

fuzzy model; knowledge integration; expert model; model training

PL

model rozmyty; integracja wiedzy; model ekspertowy; uczenie modelu

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2010
• Tom: R. 56, nr 10
• Strony: 1197--1200
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., wzor

Twórcy

autor

Rejer I.

• West Pomeranian University of Technology of Szczecin, Piastów 17, 70-310 Szczecin,

Bibliografia

• [1] Piegat A.: Fuzzy Modeling and Control, New York: Physica-Verlag (2001).
• [2] Lindskog P.: Fuzzy Identification from a Grey Box Modeling Point of View. In: Hellendoorn H., Driankov D. (eds.): Fuzzy Model Identification, pp. 3-50, SpringerVerlag (1997).
• [3] Abonyi J., Roubos H., Babuŝka R., Szeifert F.: Interpretable Semi-Mechanistic Fuzzy Models by Clustering, OLS and FIS Model Reduction. Modeling and the interpretability-accuracy trade-off. Part I, Interpretability Issues. Chapter 10. In: Casillas J., Cordon O., Herrera F., Magdalena L.: Studies in Fuzziness and Soft Computing, Physica-Verlag (2003).
• [4] Wang Ch., Hong T., Tseng S.: Integrating membership functions and fuzzy rule sets from multiple knowledge sources. Fuzzy Sets and Systems, No 112 (2000).
• [5] O’Leary D. E.: Knowledge Acquisition from Multiple Experts: An Empirical Study. Management Science, vol. 44, no 8, August (1998).
• [6] Rejer I.: Training a fuzzy expert model with a set of data points. Proceedings on conference on Human System Interaction. IEEE Catalog Number: 08EX19995C, ISBN: 1-4244-1543-8, Kraków (2008).
• [7] Butkiewicz B. S.: Metody wnioskowania przybliżonego. Właściwości i zastosowania. Oficyna Wyd. Pol. Warszawskiej, Warszawa (2001).
• [8] Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. Wydawnictwo Naukowe PWN Sp. z o. o., Warszawa (1999).
• [9] Asuncion A. & Newman D. J.: UCI Machine Learning Repository [http://www.ics.uci.edu/~mlearn/MLRepository.html]. Irvine, CA: University of California, School of Information and Computer Science (2007).
• [10] Aczel, A. D.: Complete business statistics. Richard D. Irwin Inc., Sydney (1993).