Wyniki wyszukiwania - BazTech

1

Hybrid neuro-fuzzy classifier based on NEFCLASS model

Gliwa B., Byrski A.

Computer Science

|

2011

|

Vol. 12

115-135

EN

The paper presents hybrid neuro-fuzzy classifier, based on NEFCLASS model, which was modified. The presented classifier was compared to popular classifiers - neural networks and k-nearest neighbours. Efficiency of modifications in classifier was compared with methods used in original model NEFCLASS (learning methods). Accuracy of classifier was tested using 3 datasets from UCI Machine Learning Repository: iris, wine and breast cancer wis-consin. Moreover, influence of ensemble classification methods on classification accuracy was presented.

PL

Artykuł przedstawia zasadę działania oraz wyniki badań eksperymentalnych klasyfikatora opartego na hybrydzie sieci neuronowej z logiką rozmytą, bazujący na modelu NEFCLASS. Prezentacja struktury i działania klasyfikatora została zilustrowana wynikami eksperymentów porównawczych przeprowadzonych dla popularnych klasyfikatorów, takich jak perceptron wielowarstwowy k najbliższych sąsiadów. Skuteczność wprowadzonych modyfikacji do klasyfikatora została porównana z metodami używanymi w oryginalnym modelu NEFCLASS (metody uczenia). Jako dane benchmarkowe posłużyły wybrane bazy danych z UCI Machine Learning Repository (iris, wine, breast cancer wisconsin). Zaprezentowano również wpływ użycia metod klasyfikacji zbiorczej na efektywność klasyfikacji.

2

Zastosowanie rozmytego i rozmyto-neuronowego klasyfikatora w zadaniu rozpoznawania faz lotu

Mieszkowicz-Rolka A., Rolka L.

Zeszyty Naukowe Politechniki Rzeszowskiej. Mechanika

|

2001

|

z. 56[186], t.1

79-86

PL

W referacie proponuje się zastosowanie klasyfikatora rozmytego i rozmytego klasyfikatora neuronowego do rozwiązania zadania rozpoznawania faz lotu. Przedstawiona i omówiona została struktura klasyfikatora rozmytego rozwiązującego zadanie rozpoznawania wybranych faz lotu samolotu. Przyjęto, że konstruowanie funkcji przynależności oraz budowa bazy reguł odbywa się w oparciu o wiedzę eksperta, a reguły przyjmuje się w postaci dysjunkcyjno - koniunkcyjnej. Moduł wnioskowania klasyfikatora działa na zasadzie wnioskowania uproszczonego z zastosowaniem operatora implikacji Mamdaniego, zaś funkcje przynależności zbiorów - rozmytych związanych z wyjściem przyjmuje się w postaci singletonów. Tak zbudowany klasyfikator rozmyty stał się punktem wyjścia do konstrukcji rozmytego klasyfikatora neuronowego, który łączy zalety zbiorów rozmytych i zdolność do uczenia jaką posiadają sztuczne sieci neuronowe.

EN

In this paper, application of fuzzy and neuro-fuzzy classifier in flight phases recognition task is proposed. The fuzzy classifier structure applied to recognition of a pIane phases is presented. lt is assumed that the construction of membership functions and the building of the rules base are done using the expert knowledge. The rules have a disjunction-conjunction form. The classifier lnference Module works on simpler inference with Mamdani implication operator. The output membership functions have singletons form. The fuzzy classifier made in this way, is the first step to neuro-fuzzy classifier construction. lt aggregates the advantages of fuzzy sets with artificial neural networks ability to learn.

3

Neuro-fuzzy classifying system for intelligent decision support. Part 1, Methodology

Gorzałczany M. B.

Archives of Control Sciences

|

2000

|

Vol. 10, no. 1/2

61-71

EN

The description of complex decision making processes is usually based on the combination of two types of knowledge and data: a qualitative, fuzzy one which contains elements of uncertainty and vagueness and often is expressed in the form of linguistic rules usually provided by a domain expert, and a quantitative, non-fuzzy one which appears in the form of measurements and other numerical data. This paper presents a methodology for the design of decision support systems. This methodology can effectively learn, represent, process and generalize both qualitative and quantitative knowledge and data contributing to the description of complex decision making processes. The proposed approach combines artificial neural networks with the theory of fuzzy sets giving a structure that can be called a neuro-fuzzy classifier. Part I of this paper presents this classifier in both learning and approximate-inference phases. Two decision support systems designed with the use of the proposed neuro-fuzzy classifiers are presented in Part II of this paper.

4

Neuro-fuzzy classifying system for intelligent decision support. Part 2, Applications

Gorzałczany M. B.

Archives of Control Sciences

|

2000

|

Vol. 10, no. 1/2

73-89

EN

The description of complex decision making processes is usually based on the combination of two types of knowledge and data: a qualitative, fuzzy one which contains elements of uncertainty and vagueness and often is expressed in the form of linguistic rules usually provided by a domain expert, and a quantitative, non-fuzzy one which appears in the form of measurements and other numerical data. This paper presents a methodology for the design of decision support systems. This methodology can effectively learn, represent, process and generalize both qualitative and quantitative knowledge and data contributing to the description of complex decision making processes. The proposed approach combines artificial neural networks with the theory of fuzzy sets giving a structure that can be called a neuro-fuzzy classifier. Part I of this paper presents this classifier in both learning and approximate-inference phases. Two decision support systems designed with the use of the proposed neuro-fuzzy classifiers are presented in Part II of this paper.