Home
Giới thiệu
Tài khoản
Đăng nhập
Quên mật khẩu
Đổi mật khẩu
Đăng ký tạo tài khoản
Liệt kê
Công trình khoa học
Bài báo trong nước
Bài báo quốc tế
Sách và giáo trình
Thống kê
Công trình khoa học
Bài báo khoa học
Sách và giáo trình
Giáo sư
Phó giáo sư
Tiến sĩ
Thạc sĩ
Lĩnh vực nghiên cứu
Tìm kiếm
Cá nhân
Nội dung
Góp ý
Hiệu chỉnh lý lịch
Thông tin chung
English
Đề tài NC khoa học
Bài báo, báo cáo khoa học
Hướng dẫn Sau đại học
Sách và giáo trình
Các học phần và môn giảng dạy
Giải thưởng khoa học, Phát minh, sáng chế
Khen thưởng
Thông tin khác
Tài liệu tham khảo
Hiệu chỉnh
Số người truy cập: 109,891,681
CẢI THIỆN MÔ HÌNH MỜ HƯỚNG DỮ LIỆU TSK VỚI TRI THỨC TIÊN NGHIỆM
Tác giả hoặc Nhóm tác giả:
Nguyễn Đức Hiển, Lê Mạnh Thạnh
Nơi đăng:
Tạp chí Khoa học và Công nghệ Trường Đại học Khoa học - Đại học Huế;
S
ố:
ISSN: 2354-0842, Vol 12;
Từ->đến trang
: 39-49;
Năm:
2018
Lĩnh vực:
Khoa học công nghệ;
Loại:
Bài báo khoa học;
Thể loại:
Trong nước
TÓM TẮT
Bằng cách thỏa mãn các điều kiện đề đồng nhất các hàm đầu ra của mô hình mờ TSK (Takagi – Sugeno – Kang) và máy học véc-tơ hỗ trợ hồi quy, chúng ta có thể xây dựng một thuật toán cho phép trích xuất mô hình mờ TSK từ máy học véc-tơ hỗ trợ. Những nghiên cứu trước đây cho thấy mô hình mờ trích xuất được vẫn tồn tại những hạn chế chất định. Bài báo này đề xuất một mô hình mờ dựa trên sự tích hợp tri thức tiên nghiệm với mô hình mờ TSK trích xuất từ máy học véc-tơ hỗ trợ cho bài toán dự báo hồi quy. Mô hình này tiếp cận theo hướng trích xuất các tập luật mờ “có thể diễn dịch được” cho hệ dự báo dựa trên sự kết hợp các mô hình máy học thống kê. Bằng cách tích hợp tri thức tiên nghiệm với mô hình mờ dựa trên SVM (Support Vector Machine), hệ thống luật mờ trích xuất được sẽ giảm tính phức tạp. Hiệu quả của giải pháp đề xuất được đánh giá thông qua các kết quả thực nghiệm và có sự so sánh với một số mô hình khác.
ABSTRACT
By uniformly satisfying these conditions between TSK fuzzy models and Support vector machines for regression, we can construct an algorithm to extract TSK fuzzy model from Support vector machines. The previous study showed that the extracted fuzzy model still exists certain limitations. This paper proposed a fuzzy model based on the intergartion of a priori knowledge and Support vector machines-based TSK fuzzy model for regression prediction. The extraction of intepretable fuzzy rules from data based on the combination of statistical machine learning models is the foundation of this proposed approach. By integrating a priori knowlegde with a SVM-based fuzzy model, the extracted fuzzy set is optimized and reduces the complication. The effectiveness of the proposed solutions is evaluated through experimental results and a comparison with the results of some other models.
[
2019\2019m06d019_14_2_9Cai_thien_mo_hinh_mo_huong_du_lieu_voi_tri_thuc_tien_nghiem_-_01.pdf
]
© Đại học Đà Nẵng
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn