抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本論文では,ファジィ集合(FS)とファジィルールベース(FRB)システムの新しい形,すなわち,経験的ファジィ集合(εFSs)および経験的ファジィルールベース(εFRB)システムを記述する新しい形式を導入した。伝統的に,FSの重要な数学的表現である,メンバシップ関数(MF)を主観的に設計されたまたはクラスタリング射影によるデータから抽出されたまたは主観的に定義される,これに反して,εFSsは経験的に導かれたメンバシップ関数(εMFs)により記述した。本論文で作られた新しい提案は,最近導入された経験的データ解析(EDA)計算フレームワークに基づいており,データの密度に密接に結びついている。これは客観的データと主観的ラベル,言語学的用語,クラス定義間のリンクを維持し,改善することができる。εFSsは自然な形で連続および/または離散データを用いたカテゴリーを組み合わせた不均一データを扱うことができる。εFRBシステムはデータストリームを含むデータから抽出でき,動的に発展する構造を持つことができる。しかし,エキスパート知識を表現するためのツールとして使用できる。従来のFSとFRBシステムからの主な違いは,専門家は変数当たりMFを定義する必要がないことである;代わりに,マルチモーダル,密度は,データから自動的に抽出し,全ての数値変数のベクトル形式でεMFsとして使用されるであろう。これは人間の関与は,クラスと言語学的用語を標識するために必要な唯一のするシームレスな方法で行った。さらに,この介入である任意。,FSとFRBシステムを定義し,設計するために提案した新しいアプローチは対応して特徴とMFを定義し,それらをパラメータ化するために,アルゴリズムパラメータを明らかにするために,MFの種類を選択すること,または個々の項目を標識するために専門家が問われるの代わりにヒト「運転席における」を,(任意)はそれらを標識するためにデータと(再び,任意)からプロトタイプを選択する必要がある。数値例と未経験的ファジィ(εF)分類器を説明目的で提示した。提案の非常に基本的な性質のために,εF分類器,εF予測因子,εFコントローラなどの新しい一連のアルゴリズムが応用の非常に広い面積を持つことができる。これは将来の研究のために残されている。Copyright 2018 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】