Merging of fuzzy models for neuro-fuzzy systems

• Autorzy: Simiński K.

Warianty tytułu

PL

Scalanie modeli rozmytych w systemach neuronowo-rozmytych

• Języki publikacji: EN

Abstrakty

EN

The merging of fuzzy model is widely used for reduction of rule number in fuzzy model. The supernumerosity of rules is mainly caused by grid partition of input domain. In the paper different cause for model merging is described. It is the need for creation of fuzzy model for large data set. In our solution the models are build basing data subset and then the submodels are merged into one. This approach enables quicker elaboration of submodels with relatively good knowledge generalisation ability without waiting for the whole data set to be processed. With passing time, the subsequent submodels are created and merged to create the better model.

PL

Artykuł opisuje scalanie modeli rozmytych w systemach neuronowo-rozmytych wykorzystywane przy tworzeniu modeli dla dużych zbiorów danych. Nieraz zbiory danych są tak duże, że nie jest możliwe wypracowanie modelu od razu dla całego zbioru. Tworzy się zatem modele dla podzbiorów zbioru danych. Uzyskane w ten sposób modele są następnie scalane, by wypracować jeden model. Podejście to jest także korzystne, gdy wszystkie dane nie są dostępne, ale są dostarczane partiami. Wtedy wstępny model jest wypracowany zanim wszystkie dane zostaną dostarczone do systemu. Artykuł przedstawia sposób wyznaczania podobieństwa reguł w modelu rozmytym oraz opisuje system neuronowo-rozmyty budujący i scalający modele wypracowane dla podzbiorów.

Słowa kluczowe

EN

neuro-fuzzy; fuzzy set; rule merging; similarity; ANNBFIS

• Wydawca: Instytut Informatyki Teoretycznej i Stosowanej Polskiej Akademii Nauk
• Czasopismo: Theoretical and Applied Informatics
• Rocznik: 2011
• Tom: Vol. 23, No. 2
• Strony: 107--126
• Opis fizyczny: Bibliogr. 23 poz., rys.

Twórcy

autor

Simiński K.

• Institute of Informatics, Silesian University of Technology, ul. Akademicka 16, 44-100 Gliwice, Poland,

Bibliografia

• 1. C. C. Aggarwal, A. Hinneburg, D. A. Keim: On the surprising behavior of distance metrics in high dimensional spaces. In ICDT ’01: Proceedings of the 8th International Conference on Database Theory, pages 420–434, London, UK, 2001. Springer-Verlag.
• 2. K. S. Beyer, J. Goldstein, R. Ramakrishnan, U. Shaft: When is “nearest neighbor” meaningful? In ICDT ’99: Proceeding of the 7th International Conference on Database Theory, pages 217–235, London, UK, 1999. Springer- Verlag.
• 3. B. Bhattacharya, D. P. Solomatine: Neural networks and m5 model trees in modelling water level-discharge relationship. Neurocomputing, 63:381–396, 2005.
• 4. P. P. Bonissone: A pattern recognition approach to the problem of linguistic approximation in system analysis. In Proceedings of the IEEE International COnference on Cybernetics and Society, pages 73–798, 1979.
• 5. M.-Y. Chen, D. A. Linkens: Rule-base self-generation and simplification for data-driven fuzzy models. Fuzzy Sets and Systems, 142(2):243–265, 2004.
• 6. A. Chmielewski, S. T. Wierzchoń: On the distance norms for detecting anomalies in multidimensional datasets. Zeszyty Naukowe Politechniki Białostockiej, 2:39–49, 2007.
• 7. E. Czogała, J. Łęski: Fuzzy and Neuro-Fuzzy Intelligent Systems. Series in Fuzziness and Soft Computing. Physica-Verlag, A Springer-Verlag Company, Heidelberg, New York, 2000.
• 8. D. Dubois, H. Prade: Fuzzy Sets and Systems: Theory and Applications. Academic Press, Inc., 1980.
• 9. F. Eshragh, E.H. Mamdani: A general approach to linguistic approximation. International Journal of Man-Machine Studies, 11(4):501–519, 1979.
• 10. Vladimír Janiš and Susana Montes: Distance between fuzzy sets as a fuzzy quantity. Acta Universitatis Matthiae Belii, Series Mathematics, 14:41–49, 2007.
• 11. J. Kacprzyk: Fuzzy set-theoretic approach to the optimal assignment of work places. Large-Scale Systems Theory and Application, pages 123–131, 1976.
• 12. P. Larminat, Y. Thomas: Automatyka – układy liniowe. WNT, 1983.
• 13. J. Łęski. Systemy neuronowo-rozmyte. Wydawnictwa Naukowo-Techniczne, Warszawa, 2008.
• 14. J. Łęski, Ernest Czogała: A new artificial neural network based fuzzy inference system with moving consequents in if-then rules and selected applications. Fuzzy Sets and Systems, 108(3):289–297, 1999.
• 15. M. C. Mackey, L. Glass: Oscillation and chaos in physiological control systems. Science, 197(4300):287–289, July 1977.
• 16. C. A. Murthy, S. K. Pal, D. Dutta Majumder: Correlation between two fuzzy membership functions. Fuzzy Sets Syst., 17(1):23–38, 1985.
• 17. O. Nelles, R. Isermann: Basis function networks for interpolation of local linear models. Proceedings of the 35th IEEE Conference on Decision and Control, 1:470–475, 1996.
• 18. M. Setnes, R. Babuška, U. Kazmak,. H. R. van Nauta Lemke: Similarity measures in fuzzy rule base simplification. IEEE Transactions on Systems, Man and Cybernetics, Part B: Cybernetics, 28(3):376–386, June 1998.
• 19. K. Simiński: Neuro-fuzzy system with hierarchical partition of input domain. Studia Informatica, 29(4A (80)):43–53, 2008.
• 20. K. Simiński. Patchwork neuro-fuzzy system with hierarchical domain partition. In Marek Kurzyński and Michał Woźniak, editors, Computer Recognition Systems 3, volume 57 of Advances in Intelligent and Soft Computing, pages 11–18. Springer-Verlag, Berlin, Heidelberg, 2009.
• 21. T. Sudkamp, A. Knapp, J. Knapp: A greedy approach to rule reduction in fuzzy models. In IEEE International Conference on Systems, Man and Cybernetics (IEEE SMC’00), pages 3716–3721, Nashville, Tennessee, USA, 2000.
• 22. F. Wenstøp: Quantitative analysis with linguistic values. Fuzzy Sets and Systems, 4:99–115, 1980.
• 23. R. Zwick, E. Carlstein, D. V. Budescu: Measures of similarity among fuzzy concepts: a comparative analysis. Int. J. Approx. Reas., 1:221–242, 1987