|
DOI: 10.14489/vkit.2024.04.pp.030-039
Морозов С. М.
МЕТОД АВТОМАТИЧЕСКОГО ПОСТРОЕНИЯ ДЕФАЗЗИФИКАТОРА НЕЙРО-НЕЧЕТКИХ СИСТЕМ ВЫСОКОЙ ТОЧНОСТИ
(c. 30-39)
Аннотация. Рассмотрена задача автоматического повышения точности нейро-нечеткой модели аппроксимации. В большинстве практических задач точность оценивается на основе максимального и среднего отклонений приближенных вычислений от реальных. Предложен итеративный метод построения дефаззификатора, способствующий повышению точности вычислений. Этот метод основан на использовании дополнительных данных, применяемых при формировании итоговой зависимости в дефаззификаторе нейро-нечеткой модели для создания универсальных итоговых зависимостей. Также используются функции постобработки данных для формирования специализированных зависимостей. Таким образом в автоматическом режиме формируется наиболее точная для конкретной зависимости аппроксимирующая модель. Проведен эксперимент для оценки точности вычислений и времени работы представленного метода. Предложенный метод в автоматическом режиме увеличивает точность нейро-нечеткой аппроксимации, не вызывая большого роста объема модели.
Ключевые слова: нейро-нечеткие вычисления; аппроксимация функций; TSK-системы; нейро-нечеткая аппроксимация; кусочно-полиномиальная аппроксимация; ряды Фурье; дефаззификация; алгоритмы поиска.
Morozov S. M.
METHOD OF HIGH-PRECISION NEURO-FUZZY SYSTEMS DEFUZZIFIERS’ AUTOMATIC CONSTRUCTION
(pp. 30-39)
Abstract. Increasing the precision of neuro-fuzzy approximation systems is considered. Modification of defuzzifier, which allows producing multiple types of approximating functions is presented. RMSE (Root Mean Square Error), maximal error, training time and models’s size are used to evaluate the efficiency of proposed method. Post-processing functions were also considered as a tool to increase approximation precision. Common solution to this problem is a modification of model’s fuzzy sets (membership functions and their number), which significantly increases model’s size and complexity. Given approach uses search algorithms to find the configuration of defuzzification layer, which produces the best approximation precision for a given function and fuzzy sets configuration, since all possible configurations are checked. It is possible to model classic approximation methods and combine them. Possible modifications of presented search algorithms application are described. Search depth can be limited in order to reduce the size of produced model. The computing experiment, aimed at finding best approximation precision was carried out. Presented method provided lowering of RMSE without significant increasing of model’s size. Using Fourier series components in resulting expression can be used for precise periodic functions approximation or for general precision improvement. Using post-processing functions provided significant improvement in precision for multiplication approximation, which proves, that it can be used as another tool to be used to reduce errors in some specific cases.
Keywords: нейро-нечеткие вычисления; аппроксимация функций; TSK-системы; нейро-нечеткая аппроксимация; кусочно-полиномиальная аппроксимация; ряды Фурье; дефаззификация; алгоритмы поиска.
С. М. Морозов (Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» имени В. И. Ульянова (Ленина), Санкт-Петербург, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
S. M. Morozov (Saint Petersburg Electrotechnical University “LETI”, Saint Petersburg, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Revaud J., Almazán J., Rezende R. S., Souza C. R. D. Learning with Average Precision: Training Image Retrieval with a Listwise Loss // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV-2019). 27 Oct. 2019 – 02 Nov. 2019. Seul, Korea (South). P. 5107–5116.
2. Nauck D., Kruse R. Neuro–Fuzzy Systems / Handbook of Fuzzy Computation. CRC Press, 2020. С. 319-D2. 10: 2.
3. Zhou E., Vong C. M., Nojima Y., Wang S. A Fully Interpretable First-Order TSK Fuzzy System and Its Training with Negative Entropic and Rule-Stability-based Regularization // IEEE Transactions on Fuzzy Systems. 2022.
4. Recognition of Large-Scale ncRNA Data Using a Novel Multitask Cross-Learning 0-Order TSK Fuzzy Classifier / Y. Jiang, J. Zhu, X. Gu, et al. // Journal of Medical Imaging and Health Informatics. 2020. V. 10, No. 2. P. 502–507.
5. Zeighami Z., Jahed-Motlagh M. R., Moarefianpour A., Heydari G. A New Stability Criterion for High-Order Dynamic Fuzzy Systems // Iranian Journal of Fuzzy Systems. 2022. V. 19, No. 2. P. 187–203.
6. Ontiveros-Robles E., Melin P., Castillo O. Relevance of Polynomial Order in Takagi-Sugeno Fuzzy Inference Systems Applied in Diagnosis Problems // 2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEe 2019.). 23–26 June 2019. New Orleans, Louisiana, USA. P. 1–6.
7. Siddikov I. K., Porubay O. V. Neuro-Fuzzy System for Regulating the Processes of Power Flows in Electric Power Facilities // AIP Conference Proceedings. AIP Publishing LLC. 2022. V. 2432, No. 1. P. 020010.
8. Lin C.-T., Lee C. S. G. Neural-Network-Based Fuzzy Logic Control and Decision System // IEEE Transactions on Computers. 1991. V. 40, No. 12. P. 1320–1336. DOI: 10.1109/12.106218
9. Abraham Ajith. Neuro Fuzzy Systems: State-of-the-Art Modeling Techniques // Connectionist Models of Neurons, Learning Processes and Artificial Intelligence. Berlin, Heidelberg: Springer Berlin Heidelberg, 2001. P. 269–276.
10. Hardware Implementation of a Takagi-Sugeno Neuro-Fuzzy System Optimized by a Population Algorithm / P. Dziwiński, A. Przybył, P. Trippner et al. // Journal of Artificial Intelligence and Soft Computing Research. 2021. V. 11, No. 3. P. 243–266.
11. Learning Rules for Sugeno ANFIS with Parametric Conjunction Operations / C.-A. Prometeo, I. Batyrshin, A. Martínez-Cruz et al. // Applied Soft Computing. 2020. V. 89. P. 106095. DOI: 10.1016/J.ASOC.2020.106095
12. FPGA Implementation of a Functional Neuro-Fuzzy Network for Nonlinear System Control / J.-Y. Jhang, K.-H. Tang, C.-K. Huang et al. // Electronics. 2018. V. 7, No. 8. P. 145. DOI: 10.3390/electronics7080145
13. Lenhard G., Maringer D. State-ANFIS: A Generalized Regime-Switching Model for Financial Modeling // IEEE Symposium on Computational Intelligence for Financial Engineering and Economics (CIFEr 2022), 4–5 May 2022. Helsinki, Finland. P. 1–8. DOI: 10.1109/CIFEr52523.2022.9776208
14. Jang J.-S. R. ANFIS: Adaptive-Network-Based Fuzzy Inference System // IEEE Transactions on Systems, Man, and Cybernetics. May–June 1993. V. 23, No. 3, P. 665–685. DOI: 10.1109/21.256541
15. Mackey M. C., Glass L. Oscillation and Chaos in Physiological Control Systems // Science. New Series. 1977. V. 197, No. 4300. P. 287–289. DOI: 10.1126/science.267326
16. Александров А. А., Григорьев Б. А., Таблицы стандартных справочных данных. Вода. Удельный объем и энтальпия при температурах 0…1000 C и давлениях 0,001…1000 МПа. Госстандарт. М.: Изд-во стандартов, 1999.
1. Revaud J., Almazán J., Rezende R. S., Souza C. R. D. (2019). Learning with average precision: Training image retrieval with a listwise loss. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV-2019), 5107 – 5116. Seul.
2. Nauck D., Kruse R. (2020). Neuro–Fuzzy Systems. Handbook of Fuzzy Computation. CRC Press.
3. Zhou E., Vong C. M., Nojima Y., Wang S. (2022). A Fully Interpretable First-order TSK Fuzzy System and Its Training with Negative Entropic and Rule-stability-based Regularization. IEEE Transactions on Fuzzy Systems.
4. Jiang Y., Zhu J., Gu X. et al. (2020). Recognition of large-scale ncRNA data using a novel multitask cross-learning 0-order TSK fuzzy classifier. Journal of Medical Imaging and Health Informatics, 10(2), 502 – 507.
5. Zeighami Z., Jahed-Motlagh M. R., Moarefianpour A., Heydari G. (2022). A new stability criterion for high-order dynamic fuzzy systems. Iranian Journal of Fuzzy Systems, 19(2), 187 – 203.
6. Ontiveros-Robles E., Melin P., Castillo O. (2019). Relevance of polynomial order in Takagi-Sugeno fuzzy inference systems applied in diagnosis problems. 2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEe 2019.), 1 – 6. New Orleans, Louisiana.
7. Siddikov I. K., Porubay O. V. (2022). Neuro-fuzzy system for regulating the processes of power flows in electric power facilities. AIP Conference Proceedings, 2432(1). AIP Publishing LLC.
8. Lin C.-T., Lee C. S. G. (1991). Neural-network-based fuzzy logic control and decision system. IEEE Transactions on Computers, 40(12), 1320 – 1336. DOI: 10.1109/12.106218.
9. Abraham Ajith. (2001). Neuro Fuzzy Systems: State-of-the-Art Modeling Techniques. Connectionist Models of Neurons, Learning Processes, and Artificial Intelligence, 269 – 276. Berlin: Springer Berlin Heidelberg.
10. Dziwiński P., Przybył A., Trippner P., Paszkowski J., Hayashi Y. (2021). Hardware implementation of a Takagi-Sugeno neuro-fuzzy system optimized by a population algorithm. Journal of Artificial Intelligence and Soft Computing Research, 11(3), 243 – 266.
11. Prometeo C.-A., Batyrshin I., Martínez-Cruz A. et al. (2020). Learning Rules for Sugeno ANFIS with Parametric Conjunction Operations. Applied Soft Computing, 89. DOI: 10.1016/J.ASOC.2020.106095
12. Jhang J.-Y., Tang K.-H., Huang C.-K. et al. (2018). FPGA Implementation of a Functional Neuro-Fuzzy Network for Nonlinear System Control. Electronics, 7(8). Retrieved from https://doi.org/10.3390/electronics7080145
13. Lenhard G., Maringer D. (2022). State-ANFIS: A Generalized Regime-Switching Model for Financial Modeling. IEEE Symposium on Computational Intelligence for Financial Engineering and Economics (CIFEr 2022), 1 – 8. Helsinki. DOI: 10.1109/CIFEr52523.2022.9776208
14. Jang J.-S. R. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 665 – 685. DOI: 10.1109/21.256541
15. Mackey M. C., Glass L. (1977). Oscillation and chaos in physiological control systems, Science. New Series, Vol. 197, 4300, 287 – 289. DOI: 10.1126/science.267326
16. Aleksandrov A. A., Grigor'ev B. A. (1999). Standard reference data tables. Water. Specific volume and enthalpy at temperatures 0...1000 and pressures 0.001...1000 MPa. Gosstandart. Moscow: Izdatel'stvo standartov. [in Russian language]
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/vkit.2024.04.pp.030-039
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/vkit.2024.04.pp.030-039
and fill out the form
.
|
Archive
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»