ACCURACY AND COMPACTNESS CRITERIA FOR EVALUATING THE QUALITY OF FUZZY KNOWLEDGE BASES IN IDENTIFICATION PROBLEMS

Abstract

The knowledge base quality is viewed as the property of the model of dependence under study to satisfy customer’s requirements according to many criteria, accuracy and compactness being the most popular among them. Fuzzy knowledge bases that simulate three types of dependences are investigated with the output in the form of a crisp number, fuzzy number or a class of solutions. For each type of the dependences accuracy criteria of corresponding knowledge bases are systemized. For evaluating the compactness of a fuzzy knowledge base 9 known partial criteria are described and 5 new criteria are proposed.

REFERENCES

1. Ishibuchi H. Single-objective and two-objective genetic algorithms for selecting linguistic rules for pattern classification problems / H. Ishibuchi, T. Murata, I. B. Turksen // Fuzzy Sets and Systems. – 1997. – Vol. 89, No.

2 – P. 135 – 50. 2. Штовба С. Д. Вплив кількості нечітких правил на точність бази знань Мамдані / С. Д. Штовба, В. В. Мазуренко, О. Д. Панкевич // Вісник Хмельницького національного університету. Технічні науки. – 2011. – № 2. – С. 185 – 188.

3. Штовба С. Д. Залежність точності ідентифікації від обсягу нечіткої синглтоної бази знань / С. Д. Штовба, О. Д. Панкевич, В. В. Мазуренко // Інформаційні технології та комп’ютерна інженерія. – 2011. – № 1. – С. 73 – 78.

4. Штовба С. Д. Дослідження навчання компактних нечітких баз знань типу Мамдані / С. Д. Штовба , В. В. Мазуренко // Штучний інтелект. – 2011. – № 4. – С. 521 – 529.

5. Штовба С. Д. Дослідження навчання компактних нечітких синглтонних баз знань / С. Д. Штовба, В. В. Мазуренко // Вимірювальна та обчислювальна техніка в технологічних процесах. – 2011. – № 1. – С. 133 – 139.

6. Genetic algorithm for selecting rules of the fuzzy knowledge base balanced according to the accuracy and compactness criteria [Електронний ресурс] / S. D. Shtovba, V.V. Mazurenko, D. A. Savchuk // Наукові праці Вінницького національного технічного університету. – 2012. – №3. Режим доступу до журн.: http://www.nbuv.gov.ua/e-journals/VNTU/2012_3/2012-3_en.files/en/12sdsacc_en.pdf.

7. Riid A. Identification of Transparent, Compact, Accurate and Reliable Linguistic Fuzzy Models / A. Riid, E. Rüstern // Information Sciences. – 2011. – Vol. 181, № 20. – P. 4378 – 4393.

8. Guillaume S. Learning interpretable fuzzy inference systems with FisPro // Information Sciences / S. Guillaume, B. Charnomordic // Information Sciences. – 2011. – Vol. 181, № 20. – P. 4409 – 4427.

9. Mencar C. Design of fuzzy rule-based classifiers with semantic cointension / C. Mencar, С. Castiello, R. Cannone, A. M. Fanelli // Information Sciences. – 2011. – Vol. 181, № 20. – P. 4361 – 4377.

10. Gacto M. J. Interpretability of linguistic fuzzy rule-based systems: An overview of interpretability measures / M. J. Gacto, R. Alcala, F. Herrera // Information Sciences. – 2011. – Vol. 181, № 20. – P. 4340 – 4360.

11. Штовба С. Д. Проектирование нечетких систем средствами MATLAB / С. Д. Штовба. – М.: Горячая линия. – Телеком, 2007. – 288 с.

12. Mamdani E. H. An Experiment in Linguistic Synthesis with Fuzzy Logic Controller / E. H. Mamdani, S. Assilian // Int. J. Man-Machine Studies. – 1975. – Vol. 7, № 1. – P. 1 - 13.

13. Takagi T. Fuzzy Identification of Systems and Its Applications to Modeling and Control / T. Takagi, M. Sugeno // IEEE Trans. on Systems, Man, and Cybernetics. – 1985. Vol. 15, № 1. – P. 116 - 132.

14. Ротштейн А. П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети / А. П. Ротштейн. – Винница: УНІВЕРСУМ–Вінниця, 1999. – 320 с.

15. Shtovba S. Fuzzy Model Tuning Based on a Training Set with Fuzzy Model Output Values / Shtovba S. // Cybernetics and System Analysis. – 2007. –Vol.43, №3. – P. 334 – 340.

16. Штовба С. Д. Навчання нечіткої бази знань за вибіркою нечітких даних / С. Д. Штовба // Штучний інтелект. – 2006. – № 4. – C. 560 – 570.

17. Pedrycz W. An Identification Algorithm in Fuzzy Relational Systems / W. Pedrycz // Fuzzy Sets and Systems. – 1984. – №13. – P. 153 – 167.

18. Штовба С. Д. Моделювання залежностей за допомогою нечіткої бази знань з нечіткими регресійними рівняннями / С. Д. Штовба // Вісник Вінницького політехнічного інституту. – 2011. – № 3. – C. 195 – 199.

19. Rotshtein A. Modeling of the Human Operator Reliability with the Aid of the Sugeno Fuzzy Knowledge Base / Rotshtein А., Shtovba S. // Automation and Remote Control. – 2009. – Vol. 70, № 1. – P. 163 – 169.

20. Shtovba S. Tuning the Fuzzy Classification Models with Various Learning Criteria: the Case of Credit Data Classification / S. Shtovba, O. Pankevich, G. Dounias // Fuzzy Sets and Soft Computing in Economics and Finance : intern. conference, 17 – 20 June 2004 : proc., Vol. 1. – St. Petersburg (Russia), 2004. – P. 103 – 110.

21. Штовба С. Д. Порівняння критеріїв навчання нечіткого класифікатора / С. Д. Штовба // Вісник Вінницького політехнічного інституту. – 2007. – № 6. – С. 84 – 91.