Wnioskowanie w systemach z wiedzą niepełną

• Autorzy: Nowak-Brzezińska, A.

Warianty tytułu

EN

Inference process in decision support systems with incomplete knowledge

• Języki publikacji: PL

Abstrakty

PL

Autorzy niniejszego artykułu prezentują nowe podejście do problemu wiedzy niepełnej w systemach wspomagania decyzji. W tym celu stosowane są metody analizy skupień, służące do grupowania reguł w systemie. Artykuł ten przedstawia wyniki badań na temat wpływu parametrów algorytmu grupowania Agnes na jakość grup.

EN

Authors propose new approach to vagueness problem in decision support systems. To achieve optimal solutions by clustering decision rules, cluster analysis methods are being used. This paper states the results of experiments regarding the influence of Agnes’ algorithm to the quality of clustering process.

Słowa kluczowe

PL

wiedza niepewna; analiza skupień; grupowanie; system wspomagania decyzji

EN

uncertain knowledge; cluster analysis; clustering; decision support system

• Czasopismo: Studia Informatica
• Rocznik: 2011
• Tom: Vol. 32, nr 2A
• Strony: 377-389
• Opis fizyczny: Bibliogr. 16 poz.

Twórcy

autor

Nowak-Brzezińska, A.

• Uniwersytet Śląski, Instytut Informatyki, ul. Będzińska 39, 41-200 Sosnowiec,

Bibliografia

• 1. Nowak-Brzezińska A., Wakulicz-Deja A.Ś Analiza efektywności wnioskowania w złożonych bazach wiedzy. Systemy Wspomagania Decyzji, 2007.
• 2. Bazan J., Nguyen H. S., Nguyen S. H., Synak P., Wróblewski J.Ś Rough set algorithms in classification problems. [in:] Polkowski L., Lin T. Y., Tsumoto S.(eds.): Rough Set Methods and Applications: New Developments in Knowledge Discovery in Information Systems. Heidelberg: Physica-Verlag, 2000, s. 49÷88.
• 3. Pawlak Z.: Rough set approach to knowledge-based decision suport. European Journal of Operational Research. 16 May 1997, s. 48÷57.
• 4. Latkowski R.: Wnioskowanie w oparciu o niekompletny opis obiektów (praca magisterska). Warszawa Wydział Matematyki, Informatyki i Mechaniki Uniwersytetu Warszawskiego, 2001.
• 5. Zadeh L.A., Kacprzyk J.: Fuzzy logic for the management of uncertainty. New York: John Wiley & Sons, 1992.
• 6. Geiger D., Heckerman D.: Knowledge representation and inference in similarity networks and Bayesian multinets. Artificial Intelligence. 1996, s. 45÷74.
• 7. Towell G. G., Shavlika J.W.: Knowledge-based artificial neural networks. Artificial Intelligence. 1994, s. 119÷165.
• 8. Bazan J. G., Szczuka M. S., Wróblewski J. A new version of rough set exploration system. [in:] Alpigini J. J. et al.(eds.): Third International Conference on Rough Sets and Current Trends in Computing RSCTC. Malvern, PA: Springer-Verlag, 2002, s. 397÷414.
• 9. Frank A., Asuncion A.: UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science, 2010.
• 10. Kaufman L., Rousseeuw P. J.: Finding Groups in Data: An Introduction to Cluster Analysis. Wiley, New York 1990.
• 11. Jain A. K., Dubes R. C.: Algorithms for clustering data. New Jersey: Prentice Hall, 1988.
• 12. Salton G.: Automatic Information Organization and Retreival. New York, USA: McGraw-Hill, 1975.
• 13. Osiński S., Weiss D.Ś Carrot2: An Open Source Framework for Search Results Clustering, 2004.
• 14. Kumar V., Tan P. N., Steinbach M.: Introduction to Data Mining. Addison-Wesley, 2006.
• 15. Myatt G. J.: Making Sense of Data A Practical Guide to Exploratory Data Analysis and Data Mining. New Jersey : John Wiley and Sons, Inc., 2007.
• 16. Wakulicz-Deja A.Ś Podstawy systemów wyszukiwania informacji. Analiza metod. Warszawa: Akademicka Oficyna Wydawnicza PLJ, 1995.