Knowledge Base Generation Based on Fuzzy Clustering

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

The article states fuzzy Takagi-Sugeno rule base generation problem based on ellipsoidal clustering. After obtaining clusters of ellipsoidal shape the problem of building minimal volume ellipsoids, enclosing all clusters points, appears. The premises of the generated fuzzy rules are formed by constructing projections of ellipsoids on the coordinate axis, and conclusions – either using ellipsoid axes, or based on the projection. In the article, the authors suggest to use Khachiyan’s algorithm for building minimal volume enclosing ellipsoid in order to increase the accuracy of approximation and they compare two approaches of choosing optimal parameters of ellipsoids which enclose all clusters points.

Sobre autores

T. Moiseeva

Voronezh State University

Autor responsável pela correspondência
Email: tatiana.vsu@gmail.com

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

Rússia, Voronezh

T. Ledeneva

Voronezh State University

Email: ledeneva-tm@yandex.ru

Doctor of Technical Sciences, Professor

Rússia, Voronezh

Bibliografia

  1. Sunardi, A. Yudhana, Furizal. 2023. Tsukamoto Fuzzy Inference System on Internet of Things-Based for Room Temperature and Humidity Control. IEEE Access. 11:6209-6227.
  2. Lin, J., X. Liu, Z. Ren. 2022. Fuzzy PID Control for Multi-joint Robotic Arm. 2022 IEEE 20th International Conference on Industrial Informatics (INDIN), Perth, Australia. 723-728.
  3. Sanaeva, G. N., A. E. Prorokov, V. N. Bogatikov, D. P. Vent. 2020. Ierarhicheskaya sistema nechetkogo regulirovaniya processa polucheniya acetilena okislitelnym pirolizom prirodnogo gaza [Hierarchical system of fuzzy regulation of acetylene production process by oxidative pyrolysis of natural gas]. Vestnik Astrahanskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Upravlenie, vychislitelnaya tekhnika i informatika [Proceedings of Astrakhan State Technical University. Series: Management, computer science and informatics]. 1:7-17.
  4. Ryabchikov, M. Yu., E. S. Ryabchikova, S. A. Filippov. 2021. Sistema upravleniya temperaturoj para posle paroperegrevatelnoj ustanovki s primeneniem nechetkoj logiki dlya uprezhdayushchej kompensacii vozmushchenij [A fuzzy logic-based system for controlling the temperature of steam exiting a superheater for the purpose of preemptive perturbation compensation]. Mekhatronika, avtomatizaciya, upravlenie. 22(4):181-190
  5. Nifantov, V. M. 2019. Diagnostika, ocenka i prognozirovanie tekhnicheskogo sostoyaniya tekhnologicheskogo oborudovaniya pri pomoshchi nechetkoj ekspertnoj sistemy v centralizovannyh sistemah tekhnicheskogo obsluzhivaniya i remonta [Diagnostics, assessment and forecasting of technical condition of technological equipment by using fuzzy expert system in centralized maintenance and repair systems]. Trudy Kolskogo nauchnogo centra RAN [Transactions Kola Science Centre]. 10(9):187-197.
  6. Ledeneva, T.M., S.L. Podvalny, R.K. Stryukov, S.V. Degtyarev. 2016. Nechetkoe modelirovanie medicinskih ekspertnyh sistem [Fuzzy modelling medical expert systems]. Biomedicinskaya radioelektronika [Biomedicine radioengineering]. 9:16-24.
  7. Dubenko, Yu. V., E. E. Dyshkant. 2018. Nechetkaya sistema opredeleniya optimalnyh metodov dlya prognozirovaniya parametrov slozhnyh tekhnicheskih sistem [Fuzzy system for determining optimal methods to forecast parameters of complex technical systems]. Izvestiya vysshih uchebnyh zavedenij. Povolzhskij region. Tekhnicheskie nauki [University proceedings. Volga region. Technical sciences]. 47(3):58-69.
  8. Hoang, T. -M., N. -H. Tran, V. -L. Thai, D. -L. Nguyen and N. -H. Nguyen. 2022. An efficient IDS using FIS to detect DDoS in IoT networks. 9th NAFOSTED Conference on Information and Computer Science (NICS), Ho Chi Minh City, Vietnam. 193-198.
  9. Dikarev, P. V., A. A. Shilin, S. Yu. Yudin. 2022. Sistema raspoznavaniya avarijnyh rezhimov vozdushnyh linij elektroperedachi s ispolzovaniem nechetkoj logiki [System for recognition of emergency modes of overhead power lines using fuzzy logic]. Energoi resursosberezhenie: promyshlennost i transport [Energy and resource saving: industry and transport]. 38(1):6-12.
  10. Tutygin, V. S., B. H. M. A. Al Vindi, I. A. Ryabcev. Sistema raspoznavaniya boleznej rastenij po izobrazheniyam listev na osnove nechetkoj logiki i nejronnyh setej [System of recognition of plant diseases on leaves images on the basis of fuzzy logic and neural network]. Sovremennaya nauka: aktualnye problemy teorii i praktiki. Seriya: Estestvennye i tekhnicheskie nauki [Modern Science: actual problems of theory and practice. Series "Natural and Technical Sciences]. 3:107-115.
  11. Piegat, 2001. A. Fuzzy Modeling and Control. PhysicaVerlag Heidelberg. 728 p.
  12. Preuss, H. P., Tresp, V. 1994. Neuro-fuzzy. Automatisierungstechnische Praxis. 36(5):10-24.
  13. Luukka, P. 2011. A new non-linear fuzzy robust PCA Algorithm and similarity classifier in Classification of medical data sets. International Journal of Fuzzy Systems. 13:153-162.
  14. Sergienko M.A. 2008. Metody proektirovaniya nechetkoj bazy znanij [Designing methods of hierarchical knowledge base]. Vestnik Voronezhskogo gosudarstvennogo universiteta. Seriya: sistemnyj analiz i informacionnye tekhnologii [Proceedings of Voronezh State University. Series: Systems Analysis and Information Technologies]. 2:67-71.
  15. Bezdek, J. C., Ehrlich, R., Full, W. 1984. FCM: the Fuzzy c-means clustering algorithm. Computers and Geosciences. 10:191-203.
  16. Krishnapuram, R., J. M. Keller. 1993. A possibilistic approach to clustering. Fuzzy Systems. 1(2):98-110.
  17. Xu, Z., J. Chen, J. Wu. 2008. Clustering algorithm for intuitionistic fuzzy sets. Inf. Sci. 178:3775-3790.
  18. Ji, Z., Q. Sun, Y. Xia, Q. Chen, D. Xia, D. D. Feng. 2012. Generalized rough fuzzy c-means algorithm for brain MR image segmentation. Computer methods and programs in biomedicine. 108(2):644-655.
  19. Hwang, C., F. C.-H. Rhee. 2007. Uncertain Fuzzy Clustering: Interval Type-2 Fuzzy Approach to C -Means. IEEE Transactions on Fuzzy Systems. 15(1):107-120.
  20. Das, S., H. K. Baruah. 2014. A new kernelized fuzzy Cmeans clustering algorithm with enhanced performance. International Journal of Research in Advent Technology. 2(6):43-51.
  21. Dickerson, J. A., B. Kosko. 2004. Fuzzy function approximation with ellipsoidal rules. IEEE Transaction on fuzzy systems. August 2004. 26(4):542-560.
  22. Grünbaum, B. 1963. Measures of symmetry for convex sets. Proc. Sympos. Pure Math., Providence, USA. 7:233-270.; Grünbaum, B. 1963. Borsuk’s problem and related questions. Proc. Sympos. Pure Math., Providence, USA. 7:271-284.
  23. Chernoysko, F. L. 1988. Ocenivanie fasovogo sostoyaniya dinamicheskih system [Estimation of the phase state of dynamic systems]. Moscow: Science: The main editorial office of the physical and mathematical literature. 320 p.
  24. Raposo, A. A. M., V. M. de Souza, L. R. A. G. Filho. 2021. A construction of the minimum volume ellipsoid containing a set of points using BRKGA metaheuristic. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics. 8(1):010339.
  25. Sun, P., R. Freund. 2004. Computation of minimumvolume enclosing ellipsoids .Oper. Res. 52(5):690–706.
  26. Kumar, P., E. Yildirim. 2005. Minimum-volume enclosing ellipsoids and core sets. Journal of Optimization Theory and Applications. 126(1):1–21.
  27. Todd, M. J., E. A. Yıldırım. 2007. On Khachiyan’s algorithm for the computation of minimum volume enclosing ellipsoids. Discrete Appl. Math. 155:1731–1744.
  28. Foucart, S., H. Rauhut. 2013. A Mathematical Introduction to Compressive Sensing. Birkhäuser New York, NY. 625 p.
  29. Magnus, J. R., H. Neudecker. 1988. Matrix differential calculus with applications in statistics and econometrics. John Wiley & Sons. 504 p.
  30. Ledeneva, T.M. 2022. New Family of Triangular Norms for Decreasing Generators in the Form of a Logarithm of a Linear Fractional Function. Fuzzy sets and systems. 427:37-54.
  31. Ledeneva, T.M. 2020. Additive generators of fuzzy operations in the form of a Linear Fractional Function. Fuzzy sets and systems. 386:1-24.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar


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».