Identification of fuzzy models with the aid of evolutionary data granulation
Notice bibliographique
Résumé
The identification of fuzzy rule-based systems is considered. By their nature, these fuzzy models are geared toward capturing relationships between information granules — fuzzy sets. The level of granularity of fuzzy sets helps establish a required level of detail that is of interest in the given modelling environment. The form of the information granules themselves (in particular their distribution and type of membership functions) becomes an important design feature of the fuzzy model, contributing to its structural as well as parametric optimisation. This, in turn, calls for a comprehensive and efficient framework of information (data) granulation, and the one introduced in the study involves a hard C-means (HCM) clustering method and genetic algorithms (GAs). HCM produces an initial collection of information granules (clusters) that are afterwards refined in a parametric way with the aid of a genetic algorithm. The rules of the fuzzy model assume the form `if x1 is A and x2 is B and · · · and xn is W then y=phis(x1 , x2 ,…, xn , param) and come in two forms: a simplified one that involves conclusions that are fixed numeric values (that is, phis is a constant function), and a linear one where the conclusion part (phis) is viewed as a linear function of inputs. The parameters of the rules are optimised through a standard method of linear regression (least square error method). An aggregate objective function with weighting factor used in this study helps maintain a balance between the performance of the model for training and testing data. The proposed identification framework is illustrated with the use of two representative numerical examples.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».