A Design of Genetically Oriented Fuzzy Relation Neural Networks (FrNNs) Based on the Fuzzy Polynomial Inference Scheme
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we introduce new architectures of genetically oriented fuzzy relation neural networks (FrNNs) and offer a comprehensive design methodology that supports their development. The proposed FrNNs are based on ldquoif-thenrdquo-rule-based networks, with the extended structure of the premise and the consequence parts of the individual rules. We consider two types of the FrNN topologies, which are called FrNN-I and FrNN-II here, depending upon the usage of inputs in the premise and the consequence of fuzzy rules. Three different forms of regression polynomials (namely, constant, linear, and quadratic) are used to construct the consequence of the rules. In order to develop optimal FrNNs, the structure and the parameters are optimized using genetic algorithms (GAs). The proposed methodology is compared when the two development strategies, with separate and simultaneous optimization schemes that involve structure and parameters, are carried out. Given the large search space associated with these FrNN models, we enhance the search capabilities of the GAs by introducing the dynamic variants of genetic optimization. It fully exploits the processing capabilities of the FrNNs by supporting their structural and parametric optimization. To evaluate the performance of the proposed FrNNs, we exploit a suite of several representative numerical examples. A comparative analysis shows that the FrNNs exhibit higher accuracy and predictive capabilities as well as better modeling stability, when compared with some other models that exist in the literature.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle