Генерация базы знаний на основе нечеткой кластеризации

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В данной статье предложен подход для генерации оптимальной базы правил нечеткой системы, основанный на эллипсоидальной кластеризации наблюдаемых данных. Посылки нечетких правил образуются путем построения проекций эллипсоидов на оси координат, а заключения – либо с использованием осей эллипсоидов, либо также на основе проецирования. Идея оптимизации заключается в использовании эллипсоидов минимального объема, включающего все точки кластера. В статье осуществляется сравнительный анализ различных способов выбора оптимальных параметров для эллипсоидов, покрывающих кластеры. Оценка точности аппроксимации полученной нечеткой системы осуществляется на основе среднеквадратичной ошибки.

Об авторах

Татьяна Александровна Моисеева

Федеральное государственное бюджетное образовательное учреждение высшего образования «Воронежский государственный университет»

Автор, ответственный за переписку.
Email: tatiana.vsu@gmail.com

преподаватель кафедры математического обеспечения ЭВМ, аспирант 3-го года обучения кафедры вычислительной математики и прикладных информационных технологий

Россия, Воронеж

Татьяна Михайловна Леденева

Федеральное государственное бюджетное образовательное учреждение высшего образования «Воронежский государственный университет»

Email: ledeneva-tm@yandex.ru

зав. кафедрой вычислительной математики и прикладных информационных технологий, д-р. техн. наук, профессор

Россия, Воронеж

Список литературы

  1. Sunardi. Tsukamoto Fuzzy Inference System on Internet of Things-Based for Room Temperature and Humidity Control / Sunardi, A. Yudhana, Furizal // IEEE Access. – 2023. – Vol. 11. – Pp. 6209-6227.
  2. Lin, J. Fuzzy PID Control for Multi-joint Robotic Arm / Lin, X. Liu, Z. Ren // 2022 IEEE 20th International Conference on Industrial Informatics (INDIN), Perth, Australia. – 2022. – Pp. 723-728.
  3. Санаева Г. Н. Иерархическая система нечеткого регулирования процесса получения ацетилена окислительным пиролизом природного газа / Г. Н. Санаева, А. Е. Пророков, В. Н. Богатиков, Д. П. Вент // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2020. – № 1. – С. 7-17.
  4. Рябчиков М. Ю. Система управления температурой пара после пароперегревательной установки с применением нечеткой логики для упреждающей компенсации возмущений / М. Ю. Рябчиков, Е. С. Рябчикова, С. А. Филиппов // Мехатроника, автоматизация, управление. – 2021. – Т. 22. – № 4. – С. 181-190.
  5. Нифантов В. М. Диагностика, оценка и прогнозирование технического состояния технологического оборудования при помощи нечеткой экспертной системы в централизованных системах технического обслуживания и ремонта / В. М. Нифантов // Труды Кольского научного центра РАН. – 2019. – Т. 10. – № 9. – С. 187-197.
  6. Леденева Т. М. Нечеткое моделирование медицинских экспертных систем / Т. М. Леденева, С. Л. Подвальный, Р. К. Стрюков, Дегтярев С. В. // Биомедицинская радиоэлектроника, 2016. – № 9. – С. 16-24.
  7. Дубенко Ю. В. Нечеткая система определения оптимальных методов для прогнозирования параметров сложных технических систем / Ю. В. Дубенко, Е. Е. Дышкант // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2018. – Т. 47. – № 3. – С. 58-69.
  8. Hoang, T. -M. An efficient IDS using FIS to detect DDoS in IoT networks / T. -M. Hoang, N. -H. Tran, V. -L. Thai, D. -L. Nguyen, N. -H. Nguyen // 2022 9th NAFOSTED Conference on Information and Computer Science (NICS), Ho Chi Minh City, Vietnam. – 2022. – Pp. 193-198.
  9. Дикарев П. В. Система распознавания аварийных режимов воздушных линий электропередачи с использованием нечеткой логики / П. В. Дикарев, А. А. Шилин, С. Ю. Юдин // Энерго- и ресурсосбережение: промышленность и транспорт. – 2022. – Т. 38. – № 1. – С. 6-12.
  10. Тутыгин В. С. Система распознавания болезней растений по изображениям листьев на основе нечеткой логики и нейронных сетей / В. С. Тутыгин, Б. Х. М. А. Аль Винди, И. А. Рябцев // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. – 2019. – № 3. – С. 107-115.
  11. Пегат А. Нечеткое моделирование и управление: Пер. с англ. / А. Пегат. – М.: БИНОМ. Лаборатория знаний, 2009. – 798 с. (Piegat, A. Fuzzy Modeling and Control. – Physica-Verlag Heidelberg, 2001. 728 p.)
  12. Preuss H. P. Neuro-fuzzy / H. P. Preuss, V. Tresp // Automatisierungstechnische Praxis. – 1994. – Vol. 36. – № 5. – Pp. 10-24.
  13. Luukka P. A new non-linear fuzzy robust PCA Algorithm and similarity classifier in Classification of medical data sets / P. Luukka // International Journal of Fuzzy Systems. – 2011. – Vol. 13. – Pp. 153-162.
  14. Сергиенко М. А. Методы проектирования нечеткой базы знаний / М. А. Сергиенко // Вестник Воронежского государственного университета. Серия: системный анализ и информационные технологии. – 2008. – № 2. – С. 67-71.
  15. Bezdek J. C. FCM: the Fuzzy c-means clustering algorithm / J. Bezdek, R. Ehrlich, W. Full // Computers and Geosciences. – Dec. 1984. – Vol. 10. – Pp. 191-203.
  16. Krishnapuram R. A possibilistic approach to clustering / R. Krishnapuram, J. M. Keller // Fuzzy Systems. – 1993. – Vol. 1. – No 2. – Pp. 98-110.
  17. Xu Z. Clustering algorithm for intuitionistic fuzzy sets / Z. Xu, J. Chen, J. Wu. // Inf. Sci. – 2008. – Vol. 178. – Pp. 3775-3790.
  18. Ji Z. Generalized rough fuzzy c-means algorithm for brain MR image segmentation / Z. Ji, Q. Sun, Y. Xia, Q. Chen, D. Xia, D. D. Feng // Computer methods and programs in biomedicine. – 2012. – Vol. 108. – Issue 2. – Pp. 644-655.
  19. Hwang C. Uncertain Fuzzy Clustering: Interval Type-2 Fuzzy Approach to C -Means / C. Hwang and F. C.-H. Rhee // IEEE Transactions on Fuzzy Systems. – 2007. – Vol. 15. – No. 1. – Pp. 107-120.
  20. Das S. A new kernelized fuzzy C-means clustering algorithm with enhanced performance / S. Das, H. K. Baruah // International Journal of Research in Advent Technology. – 2014. – Vol. 2. – № 6. – Pp. 43-51.
  21. Dickerson J. A. Fuzzy function approximation with ellipsoidal rules / J. A. Dickerson, B. Kosko // IEEE Transaction on fuzzy systems. – August 2004. – Vol. 26. – № 4. – Pp. 542-560.
  22. Грюнбаум Б. Этюды по комбинаторной геометрии и теории выпуклых тел: Пер. с англ. / Б. Грюнбаум. – М.: Наука, 1971. – 349 с. (Grünbaum B. Measures of symmetry for convex sets. – Proc. Sympos. Pure Math., Providence, USA, 1963. – Vol. 7. – Pp. 233-270.; Grünbaum B. Borsuk’s problem and related questions. – Proc. Sympos. Pure Math., Providence, USA, 1963. – Vol. 7. – Pp. 271-284.)
  23. Черноусько Ф. Л. Оценивание фазового состояния динамических систем. Метод эллипсоидов / Ф. Л. Черноусько. – М.: Наука: Главная редакция физикоматематической литературы, 1988. – 320 с.
  24. Raposo A. A. M. A construction of the minimum volume ellipsoid containing a set of points using BRKGA metaheuristic / A. A. M. Raposo, V. M. de Souza, L. R. A. G. Filho // Proceeding Series of the Brazilian Society of Computational and Applied Mathematics. – 2021. – Vol. 8. – №. 1. – Pp. 010339.
  25. Sun P. Computation of minimum-volume enclosing ellipsoids / P. Sun, R. Freund // Oper. Res. – 2004. – Vol. 52. – No. 5. – Pp. 690-706.
  26. Kumar P. Minimum-volume enclosing ellipsoids and core sets / P. Kumar, E. Yildirim // Journal of Optimization Theory and Applications. – 2005. – Vol. 126. – No. 1. – Pp. 1-21.
  27. Todd M. J. On Khachiyan’s algorithm for the computation of minimum volume enclosing ellipsoids / M. J. Todd, E. A. Yıldırım // Discrete Appl. Math. – 2007. – Vol. 155. – Pp. 1731-1744.
  28. Foucart S. A Mathematical Introduction to Compressive Sensing / S. Foucart, H. Rauhut. – NY: Birkhäuser New York, 2013. – 625 p.
  29. Magnus J. R. Matrix differential calculus with applications in statistics and econometrics / J. R. Magnus, H. Neudecker. – John Wiley & Sons, 1988. – 504 p.
  30. Ledeneva T. M. New Family of Triangular Norms for Decreasing Generators in the Form of a Logarithm of a Linear Fractional Function / T. M. Ledeneva // Fuzzy sets and systems. – 2022. – № 427. – Pp. 37-54.
  31. Ledeneva T. M. Additive generators of fuzzy operations in the form of a Linear Fractional Function / T. M. Ledeneva // Fuzzy sets and systems. – 2020. – № 386. – Pp. 1-24.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».