Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Adaptive Intuitionistic Fuzzy Inference Systems of Takagi-Sugeno Type for Regression Problems
Autoři: Hájek Petr | Olej Vladimír
Rok: 2012
Druh publikace: článek ve sborníku
Název zdroje: Artificial Intelligence Applications and Innovations: 8th IFIP WG 12.5 International Conference, AIAI 2012, Halkidiki, Greece, September 27-30, 2012, Proceedings, Part I
Název nakladatele: Springer
Místo vydání: Berlin
Strana od-do: 206-216
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Adaptivní intuitionistické fuzzy inferenční systémy typu Takagi-Sugeno pro regresní problémy Nedávno jsme navrhli nové intuitionistické fuzzy inferenční systémy (IFIS) typu Takagi-Sugeno, které jsou založeny na Atanassově intuitionistických fuzzy množinách (IF-množinách). IFIS reprezentuje jedno ze zevšeobecnění fuzzy inferenčních systémů (FIS). V tomto článku zkoumáme možnosti adaptace této třídy sytémů. Gradientní metoda a další speciální optimalizační metody jsou použity k adaptaci parametrů IFIS v regresních problémech. Empirické porovnání systémů je realizováno na několika známých benchmarkových a reálných datových množinách. Výsledky ukazují, že přidání funkcí nepříslušnosti vede k významnému snížení průměrné chyby ve srovnání s FIS. adaptace; intuitionistické fuzzy inferenční systémy; intuitionistické fuzzy množiny; regrese
eng Adaptive Intuitionistic Fuzzy Inference Systems of Takagi-Sugeno Type for Regression Problems Recently, we have proposed a novel intuitionistic fuzzy inference system (IFIS) of Takagi-Sugeno type which is based on Atanassov's intuitionistic fuzzy sets (IF-sets). The IFIS represent a generalization of fuzzy inference systems (FISs). In this paper, we examine the possibilities of the adaptation of this class of systems. Gradient descent method and other special optimization methods are employed to adapt the parameters of the IFIS in regression problems. The empirical comparison of the systems is provided on several well-known benchmark and real-world datasets. The results show that by adding non-membership functions, the average errors may be significantly decreased compared to FISs. adaptation; intuitionistic fuzzy inference systems; Intuitionistic fuzzy sets; regression

Ústavy

Pracoviště

Jak nás najdete?

zobrazit na mapy.cz

Služby

Často hledáte

© 2023 Univerzita Pardubice, Studentská 95, 532 10 Pardubice 2
Telefon: 466 036 111, 466 036 112, 466 036 113
Správce webu, RSS
ID datové schránky: f5vj9hu
Prohlášení o přístupnosti
CC BY-NC-ND 4.0 CZCreative CommonsAttributionNonCommercialNoDerivatives