Неитеративный синтез нейро-нечетких диагностических экспертных систем

Предложен метод синтеза диагностических экспертных систем на основе нейро-нечетких моделей,
 позволяющий использовать априорные экспертные знания, автоматически формировать разбиение
 признакового пространства и выделять нечеткие термы на основе эмпирических наблюдений, а в
...

Повний опис

Збережено в:
Бібліографічні деталі
Дата:2009
Автор: Субботин, С.А.
Формат: Стаття
Мова:Російська
Опубліковано: Інститут проблем штучного інтелекту МОН України та НАН України 2009
Теми:
Онлайн доступ:https://nasplib.isofts.kiev.ua/handle/123456789/8202
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:Неитеративный синтез нейро-нечетких диагностических экспертных систем / С.А. Субботин // Штучний інтелект. — 2009. — № 4. — С. 380-386. — Бібліогр.: 7 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine
Опис
Резюме:Предложен метод синтеза диагностических экспертных систем на основе нейро-нечетких моделей,
 позволяющий использовать априорные экспертные знания, автоматически формировать разбиение
 признакового пространства и выделять нечеткие термы на основе эмпирических наблюдений, а в
 неитеративном режиме – определять значения весовых коэффициентов, функции постсинаптического
 потенциала и активационные функции нейро-нечеткой сети. Запропоновано метод синтезу діагностичних експертних систем на основі нейро-нечітких моделей,
 що дозволяє використовувати апріорні експертні знання, автоматично формувати розбиття простору
 ознак і виділяти нечіткі терми на основі емпіричних спостережень, а в неітеративному режимі –
 визначати значення вагових коефіцієнтів, функції постсинаптичного потенціалу й активаційні функції
 нейро-нечіткої мережі. The method of diagnostic expert system synthesis based on neuro-fuzzy model is offered. It allows to use an
 a priori expert knowledge, to form automatically a partition of feature space and to select fuzzy terms on the
 basis of empirical observations, and also to determine weight values, weight and activation functions of
 neuro-fuzzy network in a uniterated mode.
ISSN:1561-5359