Побудова нейро-нечітких моделей на основі неструктурованих даних

• Veröffentlicht in: Штучний інтелект
• Datum: 2012
• Hauptverfasser: Зайко, Т.А., Олійник, А.О., Субботін, С.О.
• Format: Artikel
• Sprache: Ukrainian
• Veröffentlicht: Інститут проблем штучного інтелекту МОН України та НАН України 2012
• Schlagworte: Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
• Online Zugang: https://nasplib.isofts.kiev.ua/handle/123456789/57899
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Zitieren: Побудова нейро-нечітких моделей на основі неструктурованих даних / Т.А. Зайко, А.О. Олійник, С.О. Субботін // Штучний інтелект. — 2012. — № 4. — С. 546-556. — Бібліогр.: 12 назв. — укр.

Розглянуто методи вирішення задачі синтезу нейро-нечітких моделей. Запропоновано метод побудови нейро-нечітких мереж, який заснований на застосуванні витягнутого із заданої транзакційної бази даних набору асоціативних правил, використовуваних для визначення структури нейромоделі, а також для обчислення значень параметрів функцій належності та вагових коефіцієнтів. Запропонований метод дозволяє будувати прості нейро-нечіткі моделі, зручні для подальшого застосування на практиці. Рассмотрены методы решения задачи синтеза нейро-нечетких моделей. Предложен метод построения нейро-нечетких сетей, основанный на применении извлеченного из заданной транзакционной базы данных набора ассоциативных правил, используемых для определения структуры нейромодели, а также для вычисления значений параметров функций принадлежностей и весовых коэффициентов. Предложенный метод позволяет строить простые нейро-нечеткие модели, удобные для дальнейшего применения на практике. The methods of solving the problem of synthesis of neuro-fuzzy models are considered. The method for constructing fuzzy neural networks based on application of extracted from a given transaction database set of association rules that are used to determine the structure of neuro-fuzzy network, as well as to calculate the values of functions and accessory weights is proposed. The proposed method allows to construct a simple neuro-fuzzy models suitable for further use in practice.