Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Intuitionistic neuro-fuzzy network with evolutionary adaptation
Autoři: Hájek Petr | Olej Vladimír
Rok: 2017
Druh publikace: článek v odborném periodiku
Název zdroje: Evolving Systems
Název nakladatele: Springer
Místo vydání: Heidelberg
Strana od-do: 35-47
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Intuitionistická neuro-fuzzy síť s evoluční adaptací IF inferenční systémy (IFIS) berou v úvahu nepřesnost v konstrukci funkcí příslušnosti ve FIS. V článku navrhujeme intuitionistickou neuro-fuzzy síť k adaptaci antecedentu a konsekventu parametrů IFIS. Dále navrhujeme defuzzifikační metodu středu maxima pro třídu IFIS Takagi-Sugeno a porovnáváme ji se základními defuzzifikačními distribučními operátory. Na reálných datech úvěrového skóringu a na sedmi benchmarkových datech ukazujeme, že síť trénovaná algoritmem PSO překonává tradiční ANFIS metody (hybridní a zpětné šíření) a ANFIS trénovaný evolučními algoritmy (GA a PSO). Neparametrické testy pro datové soubory demonstrují statistické rozdíly mezi algoritmy. PSO poskytuje vyšší přesnost při adaptaci sítě ve srovnání s tradičními algoritmy založenými na gradientní metodě a odhadu nejmenších čtverců.
eng Intuitionistic neuro-fuzzy network with evolutionary adaptation Intuitionistic fuzzy inference systems (IFISs) incorporate imprecision in the construction of membership functions present in fuzzy inference systems. In this paper we design intuitionistic neuro-fuzzy networks to adapt the antecedent and consequent parameters of IFISs. We also propose a mean of maximum defuzzification method for a class of Takagi-Sugeno IFISs and this method is compared with the basic defuzzification distribution operator. On both real-life credit scoring data and seven benchmark regression datasets we show that the intuitionistic neuro-fuzzy network trained with particle swarm optimization outperforms traditional ANFIS methods (hybrid and backpropagation) and ANFIS trained with evolutionary algorithms (genetic algorithm and particle swarm optimization), respectively. A set of nonparametric tests for multiple datasets is performed to demonstrate statistical differences between the algorithms. In the task of adapting the intuitionistic neuro-fuzzy network, we show that particle swarm optimization provides a higher prediction accuracy compared with traditional algorithms based on gradient descent or least-squares estimation. ANFIS; Intuitionistic fuzzy sets; Intuitionistic fuzzy inference systems of Takagi-Sugeno type; Intuitionistic neuro-fuzzy network; Defuzzification method; Particle swarm optimization