10.14489/vkit.2024.09.pp.026-031

DOI: 10.14489/vkit.2024.09.pp.026-031

Морозов С. М.
МЕТОД САМООРГАНИЗАЦИИ СИСТЕМ НЕЙРО-НЕЧЕТКОЙ АППРОКСИМАЦИИ ВЫСОКОЙ ТОЧНОСТИ
(c. 26-31)

Аннотация. Рассмотрен метод повышения точности нейро-нечеткой аппроксимации, основанный на самоорганизации системы. Самоорганизация нейро-нечетких систем используется для ускорения обучения системы, однако на практике точность их работы ниже, чем у систем без самоорганизации. Предложен метод самоорганизации нейро-нечеткой системы, основанный на автоматическом построении дефаззификатора и поиске нечетких множеств, использование которых обеспечит высокую точность аппроксимации. Проведен вычислительный эксперимент в целях оценки уменьшения погрешности аппроксимации сложной математической зависимости с помощью предложенного метода. Установлено, что предложенный метод самоорганизации автоматически формирует систему нейро-нечеткой аппроксимации, точность которой выше, чем у существующих аналогов.

Ключевые слова: нейро-нечеткие вычисления; TSK-системы; нечеткие множества; нейро-нечеткая аппроксимация; функции принадлежности; дефаззификация.

Morozov S. M.
METHOD OF HIGH-PRECISION NEURO-FUZZY SYSTEMS DEFUZZIFIERS’ AUTOMATIC CONSTRUCTION
(pp. 26-31)

Abstract. Neuro-fuzzy approximation precision increasing, based on systems’ self-organisation, is considered. Neuro-fuzzy systems’ self-organisation is primarily used to reduce systems’ training time, but their precision is less, than precision of systems without self-organisation. Root mean square error (RMSE) and maximal error are used as precision metrics. Method of neuro fyzzy systems’ self-organisation, which is based on defuzzifier automatic construction and fuzzy sets search, which provide high approximation precision, is suggested. Given method uses algorithms of detecting the most fitting borders of fuzzy sets and type of formed equations in order to produce the neuro-fuzzy approximation system with the best precision for a given dataset. Since fuzzy sets and defuzzufier configuration both influence systems’ precision, interaction of these parts of neuro-fuzzy system during training for saving training time is described. The computing experiment, aimed at estimating the complex mathematical function approximation precision reduction by implementing presented method was carried out. Using proposed method can be used for neuro-fuzzy approximation precision increase. Both fuzzy sets search and fitting output function selection reduce approximation error, but combining these approaches produces higher precision. Presented method provided lowering of both RMSE and maximal error. Size reduction can be achieved by implementing presented method since in can reduce number of required neurons.

Keywords: Neuro-fuzzy computing; TSK-systems; Fuzzy sets; Neuro-fuzzy approximation; Membership functions; Defuzzification.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

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

Eng

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

+ - Библиографический список (References) Click to collapse

Рус

1. Denna M., Mauri G., Zanaboni A. M. Learning Fuzzy Rules with Tabu Searchan Application to Control // IEEE Transactions on Fuzzy Systems. 1999. V. 7, No. 3. P. 295 – 318. DOI: 10.1109/91.771086
2. Zhan T., Li W. T., Fan B. J., Liu S. Experimental Evaluation on Defuzzification of TSK-type-based Interval Type-2 Fuzzy Inference Systems // Int. J. Control Autom. Syst. 2023. No. 21. Р. 1338 – 1348. Https://doi.org/10.1007/s12555-021-0370-z
3. A Generalized framework for ANFIS Synthesis Procedures by Clustering Techniques / S. Leonori, A. Martino, M. Luzi et al. // Applied Soft Computing. 2020. V. 96. P. 106622.
4. Knowledge-leverage-based TSK Fuzzy System Modeling / Z. Deng, Y. Jiang, K. S. Choi et al. // IEEE Transactions on Neural Networks and Learning Systems. 2013. V. 24(8). P. 1200 – 1212.
5. Wiktorowicz K., Krzeszowski T. Approximation of Two-Variable Functions Using High-Order Takagi–Sugeno Fuzzy Systems, Sparse Regressions, and Metaheuristic Optimization // Soft Computing. 2020. V. 24.20. P. 15113 – 15127.
6. Морозов С. М. Метод нейро-нечеткого разложения функций в ряды Фурье и Маклорена // XXI век: итоги прошлого и проблемы настоящего плюс. 2023. Т. 12, № 4(64). С. 59 – 63. EDN: ECNLHE
7. ANFIS Modeling of Biodiesels' Physical and Engine Characteristics: A Review / K. Janardhana, S. Sridhar, Chandra K. Dixit et al. // Heat Transfer. 2021. V. 50.8. P. 8052 – 8079.
8. Морозов С. М. Метод автоматического построения дефаззификатора нейро-нечетких систем высокой точности // Вестник компьютерных и информационных технологий. 2024. Т. 21, № 4. C. 30 – 39. DOI: 10.14489/vkit.2024.04.pp.030-039
9. An Optimized ANFIS Model for PRedicting Pile Pullout Resistance / Y. Zhao, M. Gor, D. K. Voronkova et al. // Steel and Composite Structures. 2023. V. 48.2. P. 179.
10. 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: справ. М.: Изд-во стандартов, 1999.

Eng

1. Denna M., Mauri G., Zanaboni A. M. (1999). Learning Fuzzy Rules with Tabu Searchan Application to Control. IEEE Transactions on Fuzzy Systems, 7(3), 295 – 318. DOI: 10.1109/91.771086
2. Zhan T., Li W. T., Fan B. J., Liu S. (2023). Experimental Evaluation on Defuzzification of TSK-type-based Interval Type-2 Fuzzy Inference Systems. International Journal of Control, Automation, and Systems, 21, 1338 – 1348. Https://doi.org/10.1007/s12555-021-0370-z
3. Leonori S., Martino A., Luzi M. et. al. (2020). A Generalized framework for ANFIS Synthesis Procedures by Clustering Techniques. Applied Soft Computing, 96.
4. Deng Z., Jiang Y., Choi K. S. et. al. (2013). Knowledge-leverage-based TSK Fuzzy System Modeling. IEEE Transactions on Neural Networks and Learning Systems, 24(8), 1200 – 1212.
5. Wiktorowicz K., Krzeszowski T. (2020). Approximation of Two-Variable Functions Using High-Order Takagi–Sugeno Fuzzy Systems, Sparse Regressions, and Metaheuristic Optimization. Soft Computing, 24.20, 15113 – 15127.
6. Morozov S. M. (2023). Method of neurofuzzy expansion of functions into Fourier and Maclaurin series. XXI vek: itogi proshlogo i problemy nastoyashchego plyus, Vol. 12 64(4), 59 – 63. [in Russian language] EDN: ECNLHE.
7. Janardhana K., Sridhar S., Chandra K. Dixit et. al. (2021). ANFIS Modeling of Biodiesels' Physical and Engine Characteristics: A Review. Heat Transfer, 50.8, 8052 – 8079.
8. Morozov S. M. (2024). Method of high-precision neuro-fuzzy systems defuzzifiers’ automatic construction. Vestnik komp'yuternyh i informatsionnyh tekhnologiy, 21(4), 30 – 39. [in Russian language] DOI: 10.14489/vkit.2024.04.pp.030-039
9. Zhao Y., Gor M., Voronkova D. K. et. al. (2023). An Optimized ANFIS Model for PRedicting Pile Pullout Resistance. Steel and Composite Structures, 48.2.
10. Aleksandrov A. A., Grigor'ev B. A. (1999). Standard reference data tables. Water. Specific volume and enthalpy at temperatures 0...1000 C and pressures 0.001...1000 MPa: handbook. Moscow: Izdatel'stvo standartov. [in Russian language]

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

DOI: 10.14489/vkit.2024.09.pp.026-031

Скопируйте DOI статьи и перейдите по ссылке https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

В комментарии к заказу обязательно укажите DOI статьи.

Eng

This article is available in electronic format (PDF).

DOI: 10.14489/vkit.2024.09.pp.026-031

Copy the article DOI and follow the link https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

Please specify the article DOI in the order comments.