Нейронечеткие модели в задачах извлечения правил из искусственных нейронных сетей // Системный анализ в науке и образовании

Боковая панель статьи

PDF
Опубликован: июл 15, 2022
Ключевые слова:
объяснимый искусственный интеллект, нейронечеткие модели, нечеткое интеллектуальное управление explainable artificial intelligence, neuro-fuzzy models, fuzzy intelligent control

Основное содержимое статьи

А. Н. Аверкин
Государственный университет «Дубна», Дубна, Московская область;ФИЦ «Информатика и управление» РАН 119333, г. Москва, ул. Вавилова, 40; e-mail: ;
М. В. Лишилин
Государственный университет «Дубна», Дубна, Московская область

Аннотация

Проводится пример реализации системы на основе нечеткого интеллектуального управления, выполняется обзор и анализ методов и подходов к извлечению правил из искусственных нейронных сетей, основанных на нейронечетких моделях. Разработка подобных систем крайне необходима для развития цифровой экономики в России и создания приложений, позволяющих принимать ответственные и объяснимые управленческие решения в критических областях народного хозяйства.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
[1]
Аверкин , А.Н. и Лишилин , М.В. 2022. Нейронечеткие модели в задачах извлечения правил из искусственных нейронных сетей // Системный анализ в науке и образовании. Системный анализ в науке и образовании. 3 (июл. 2022), 30–43.
Выпуск
№ 3 (2021): № 3 (2021)
Раздел
Статьи

Библиографические ссылки

Averkin A., Yarushev S. Hybrid Neural Networks and Time Series Forecasting // Artificial Intelligence. Communication in Computer and Information Sciences, 2018. V. 934. P.230-239.

Pilato G., Yarushev S. A., Averkin A. N. Prediction and Detection of User Emotions Based on NeuroFuzzy Neural Networks in Social Networks // Proc. of the Third International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’18), Advances in Intelli-gent Systems and Computing. Sochi, Russia. 2018. V.875. P. 118-126

Averkin A. N., Pilato G., Yarushev S. A. An Approach for Prediction of User Emotions Based on ANFIS in Social Networks // Second Intern. Scientific and Practical Conf. Fuzzy Technol-ogies in the

Industry. FTI 2018– CEUR Workshop Proceedings. Ostrava–Prague, Czech Republic. 2018. P. 126-134

Jin X.-H. Neurofuzzy Decision Support System for Efficient Risk Allocation in Public-private Partnership Infrastructure Projects // J. Comput. Civ. Eng., 2010. V. 24 (6). P. 525-538.

Jin X.-H. Model for Efficient Risk Allocation in Privately Financed Public Infrastructure Pro-jects Using Neuro-Fuzzy Techniques // J. Constr. Eng. Manag. 2011. P. 1003-1014.

Борисов В. В., Федулов А. С., Зернов М. М. Основы гибридизации нечетких моделей. Серия «Основы нечеткой математики». Книга 9. М.: Горячая линия–Телеком, 2017. 100 с.

Рудковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рудковская; пер. с пол. И. Д. Рудинского. М. : Горячая линия–Телеком, 2008. 452 с.

Rajab S., Sharma V. A Review on the Applications of Neuro-Fuzzy Systems in Business // Artif. Intell. Rev. 2018. V. 49, P. 481-510.

Mitra S., Hayashi Y. Neuro-Fuzzy Rule Generation: Survey in Soft Computing Framework // IEEE Trans. Neural Netw. 2000. V. 11 (3). P. 748-768.

Vieira J., Morgado-Dias F., Mota A. Neuro-Fuzzy Systems: a Survey // WSEAS Transactions on Systems. 2004. V. 3 (2). P. 414-419.

Kim J, Kasabov N. HyFIS: Adaptive Neuro-Fuzzy Inference Systems and Their Application to Nonlinear Dynamical Systems // Neural Netw. 1999. V.12(9), P. 1301-1319.

Shihabudheen K.V., Pillai G.N. Recent Advances in Neuro-Fuzzy System: A Survey // Knowl.-Based Syst. 2018. V. 152. P. 136-162.

Нечеткие гибридные системы. Теория и практика / И. З. Батыршин [и др.]; Под ред. Н. Г. Ярушкиной. - Москва : ФИЗМАТЛИТ, 2007. - 208 с.

Viharos Z. J., Kis K. B. Survey on Neuro-Fuzzy Systems and Their Applications in Technical Diagnostics and Measurement // Measurement. 2015. V. 67. P. 126-136.

Lin C. T., Lee C. S. G. Neural Network based Fuzzy Logic Control and Decision System // IEEE Transactions on Comput. 1991. V. 40(12). P. 1320-1336.

Jang J.-S. R. ANFIS: Adaptive-Network-Based Fuzzy Inference System // IEEE Trans. Systems & Cybernetics. 1993. V. 23. P. 665 - 685.

Naderpour H., Mirrashid M. Shear Failure Capacity Prediction of Concrete Beam-Column Joints in Terms of ANFIS and GMDH // Pract. Period. Struct. Des. Constr. 2019. V. 24 (2).

Fan L. Revisit Fuzzy Neural Network: Demystifying Batch Normalization and Relu with Generalized Hamming Network // Proceedings of the 31st International Conference on Neural In-formation Processing Systems. Long Beach California USA, 2017. P.1920–1929.

Bherenji H. R., Khedkar P. Learning and Tuning Fuzzy Logic Controllers through Reinforcements // IEEE Transactions on Neural Networks. 1992. V. (3). P. 724-740.

Nauck D., Kruse R. Neuro-Fuzzy Systems for Function Approximation // Fuzzy Sets and Systems. 1999. V.101 (2). P. 261-271.

Tano S., Oyama T., Arnould T. Deep combination of Fuzzy Inference and Neural Network in Fuzzy Inference // Fuzzy Sets and Systems. 1996. V. 82 (2). P. 151-160.

Juang Chia Feng, Lin Chin Teng. An Online Self Constructing Neural Fuzzy Inference Net-work and its Applications // IEEE Transactions on Fuzzy Systems. 1998. V. 6. No1. P. 12-32.

Kasabov N., Qun Song Dynamic Evolving Fuzzy Neural Networks with 'm-out-of-n' Activa-tion Nodes for On-line Adaptive Systems. Technical Report TR99/04, Department of infor-mation science. University of Otago. Otago, 1999.