- Параллельный подход на основе нечетких нейронных сетей для систем поддержки принятия решений (arXiv)
Автор:Конг Тран, Аджит Абрахам, Лакми Джейн
Аннотация:принятие решений – это процесс выбора из альтернативных вариантов действий для решения сложных проблем, связанных с многокритериальными целями. В последние несколько лет наблюдается растущее признание технологий Soft Computing, лежащих в основе концепции, проектирования и использования интеллектуальных систем. Было выполнено несколько работ, в которых инженеры и ученые применяли интеллектуальные методы и эвристики для получения оптимальных решений на основе неточной информации. В этой статье мы представляем параллельный подход на основе нечетких нейронных сетей, сочетающий методы обучения без учителя и с учителем для разработки системы поддержки принятия решений в тактическом воздушном бою (TACDSS). Результаты эксперимента наглядно демонстрируют эффективность предложенной методики.
2. EvoNF: платформа для оптимизации систем нечеткого вывода с использованием обучения нейронных сетей и эволюционных вычислений (arXiv)
Автор: Аджит Абрахам
Аннотация: было исследовано несколько методов адаптации для оптимизации систем нечеткого вывода. Алгоритмы обучения нейронной сети использовались для определения параметров системы нечеткого вывода. Такие модели часто называют интегрированными нейро-нечеткими моделями. В интегрированной нейро-нечеткой модели нет гарантии, что алгоритм обучения нейронной сети сойдется и настройка системы нечеткого вывода будет успешной. Успех процедур эволюционного поиска для оптимизации системы нечеткого вывода хорошо зарекомендовал себя и зарекомендовал себя во многих прикладных областях. В этой статье мы рассмотрим, как можно улучшить оптимизацию систем нечеткого вывода с помощью метаэвристического подхода, сочетающего обучение нейронной сети и эволюционные вычисления. Предлагаемый метод можно рассматривать как методологию интеграции нейронных сетей, систем нечеткого вывода и процедур эволюционного поиска. Мы представляем теоретические основы и некоторые экспериментальные результаты, чтобы продемонстрировать эффективность предлагаемого метода.
3. Система нечеткого вывода искусственной нейронной сети (ANFIS) для обнаружения опухолей головного мозга (arXiv)
Автор:Минакши Шарма
Аннотация: Обнаружение и сегментация опухоли головного мозга очень важны, поскольку они предоставляют анатомическую информацию о нормальных и аномальных тканях, которая помогает в планировании лечения и последующем наблюдении за пациентами. Существует ряд методов сегментации изображений. Предлагаемая исследовательская работа использует ANFIS (систему нечеткого вывода искусственной нейронной сети) для классификации изображений, а затем сравнивает результаты с FCM (нечеткие средние значения C) и K-NN (K-ближайший сосед). ANFIS включает в себя преимущества как ANN, так и систем нечеткой логики. Для классификации аномального изображения к соответствующему типу опухоли выбран полный набор функций и нечетких правил. Экспериментальные результаты иллюстрируют многообещающие результаты с точки зрения точности классификации. Сравнительный анализ проводится с FCM и K-NN, чтобы показать превосходство систем ANFIS.
4. Многоуровневая нечеткая нейронная сеть Min-Max на основе данных Centroid (arXiv)
Автор: Шраддха Дешмукх, Сагар Ганди, Пратап Санап, Вивек Кулкарни
Аннотация: Недавно была предложена многоуровневая нечеткая нейронная сеть минимум-макс (MLF), которая повышает точность классификации за счет обработки перекрывающейся области (области путаницы) с помощью древовидной структуры. В этом кратком изложении предлагается расширение MLF, которое определяет новую пограничную область, где ранее предложенные методы отмечают решения с меньшей уверенностью и, следовательно, более частая неправильная классификация. Представлена методология более точной классификации закономерностей. Наша работа улучшает процедуру тестирования с помощью центроидов данных. Приводим наглядный пример, наглядно подчеркивающий преимущество нашего подхода. Результаты по стандартным наборам данных также представлены, чтобы доказать постоянное улучшение скорости классификации.
