Статья

Название статьи ИНТЕРПРЕТИРУЕМОСТЬ НЕЧЕТКИХ ТЕМПОРАЛЬНЫХ МОДЕЛЕЙ
Автор А. И. Долгий, С. М. Ковалев
Рубрика РАЗДЕЛ II. МОДЕЛИРОВАНИЕ СЛОЖНЫХ СИСТЕМ И ПРОЦЕССОВ
Месяц, год 05, 2018
Индекс УДК 519.113: 681.3
DOI
Аннотация Рассматривается проблема оценки интерпритационной пригодности математических моделей, основанных на нечеткой логики. Показывается, что интерпретируемость является одной из основных причин популярности нечеткой логики и широкого распространения технологий нечеткого моделирования. Разрабатывается подход к оценке интерпретируемости нечетких темпоральных моделей, описывающих динамику процессов. Нечеткие темпоральные модели представлены в виде продукционных правил, антецеденты которых заданы с использованием нечеткого временного отношения предшествования. Идея предлагаемого подхода базируется на предположении, что интерпретируемость нечеткой темпоральной модели напрямую связана с интерпретируемостью входящих в нее темпоральных лингвистических переменных. Формулируется принцип интерпретируемости темпоральной лингвистической переменной, в соответствии с которым под интерпретируемостью понимается способность темпоральной лингвистической переменной сохранять временные отношения на семействе нечетких подмножеств, соответствующих термам темпоральной переменной.Формулируются необходимые и достаточные условия интерпретируемости темпоральной лингвистической переменной в виде соответствующего утверждения. Рассматриваются примеры интерпретируемых и не интерпретируемых темпоральных лингвистических переменных.Предложенный подход к установлению интерпретируемости темпоральных лингвистических переменных может быть применен не только к простым, но и составным лингвистическим переменным, полученным путем интегрирования в них темпоральных модификаторов, основанных на временных отношениях.

Скачать в PDF

Ключевые слова Модель нечеткая темпоральная; интерпретируемость; темпоральное отношение; темпоральная лингвистическая переменная; нечеткая темпоральная формула.
Библиографический список 1. Zadeh L.A. Fuzzy sets // Inform, and Control. – 1965. – No. 8. – P. 338-353.
2. Babuska R. Construction of fuzzy systems - interplay between precision and transparency // In: Proc Europ. Symp. on Intelligent Techniques. – Aachen 2000. –P. 445-452.
3. Bikdash M. A highly interpretable form of Sugeno inference systems // IEEE Trans. Fuzzy Systems. – 1999. – No. 7. – P. 686-696.
4. Bodenhofer U. and Bauer P. Towards an axiomatic treatment of "interpretability" // In: Proc. 6th Internat. Conference on Soft Computing, Iizuka 2000. – P. 334-339.
5. Cordon O. and Herrera F. A proposal for improving the accuracy of linguistic modeling // IEEE Trans. Fuzzy Systems. – 2000. – No. 8. – P. 335-344.
6. Espinosa J. and Vandewalle J. Constructing fuzzy models with linguistic integrity from numerical data - AFRELI algorithm // IEEE Trans. Fuzzy Systems. – 2000. – No. 8. – P. 591-600.
7. Setnes M., Babuska R., and Verbruggen H.B. Rule-based modeling: Precision and transparency // IEEE Trans. Systems Man Cybernet. – 1998. – C 28. – P. 165-169.
8. Setnes M. and Roubos H. GA-fuzzy modeling and classification: Complexity and performance // IEEE Trans. Fuzzy Systems. – 2000. – No. 8. – P. 509-522.
9. Yen J., Wang L., and Gillespie C.W. Improving the interpretability of TSK fuzzy models by combining global learning and local learning // IEEE Trans. Fuzzy Systems. – 1998. – No. 6.
– P. 530-537.
10. Casillas J., Cordon O., Herrera F., and Magdalena L. (eds.). Interpretability Issues in Fuzzy Modeling (Studies in Fuzziness and Soft Computing 128). – Springer-Verlag, Berlin, 2003.
11. Mencar C., Castiello C., Cannone R., Fanelli A. Interpretability assessment of fuzzy knowledge bases: A cointension based approach // International Journal of Approximate Reasoning. – 2011. – Vol. 52. – P. 501-518.
12. Alonso J., Castiello C., Mencar C. Interpretability of Fuzzy Systems: Current Research Trends and Prospects. – Springer Handbook of Computational Intelligence, 2015. – P. 219-237.
13. Bodenhofer U., Bauer P. Interpretability of linguistic variables: A formal account // Kybernetika. – 2005. – Vol. 4 1, No. 2. – P. 227-248.
14. Ковалев С.М. Модели анализа слабо формализованных динамических процессов на основе нечетко-темпоральных систем // Известия вузов. Сев.-Кав. регион. Естественные науки. – 2002. – № 2. – С. 10-13.
15. Еремеев А.П., Ковалев С.М. Темпоральные и нечетко-темпоральные модели в интеллектуальных системах управления перевозочными процессами // Вестник РГУПС. – 2011.
– № 3. – С. 72-80.
16. Кудинов Ю.И., Кудинов И.Ю., Суслова С.А. Нечеткие модели динамических процессов: монография. – Липецк: Изд-во ЛГТУ, 2009. – 372 с.
17. Sugeno M., Yasukawa T. A fuzzy-logic-based approach to qualitative modeling // IEEE Trans. on Fuzzy Systems. – 1993. – Vol. 1. – P. 7-31.
18. Mamdani E.H. Application of fuzzy algorithms for control of a simple dynamic plant // Proc. Inst. Elect. Eng. – 1974. – Vol. 121. – P. 1585-1588.
19. Klement E., Mesiar R., and Pap E. Triangular Norms (Trends in Logic 8). – Kluwer Academic Publishers, Dordrecht 2000.
20. Ruspini E.H. A new approach to clustering // Inform, and Control. – 1969. – Vol. 15. – P. 22-32.
21. Zadeh L.A. The concept of a linguistic variable and its application to approximate reasoning I // Inform. Sci. – 1975. – No. 8. – P. 199-250.
22. Zadeh L.A. The concept of a linguistic variable and its application to approximate reasoning II // Inform. Sci. – 1975. – No. 8. – P. 301-357.
23. Zadeh L.A. The concept of a linguistic variable and its application to approximate reasoning III // Inform. Sci. – 1975. – No. 9. – P. 43-80.
24. Kovalev S.M., Tarassov V.B., Dolgiy A.I., Dolgiy I.D., Koroleva M.N., Khatlamadzhiyan A.E. Intelligent Measurement in Railcar On-Line Monitoring: From Measurement Ontologies to Hybrid Information Granulation System // Proceedings of the Second International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’17). – 2017. – Vol. 1.
– P. 169-181.

Comments are closed.