Similarity confidence level for fuzzy rulebases
Notice bibliographique
Résumé
A fuzzy rulebase is a model of a system, expressed as a collection of fuzzy if/then rules, whose predicates are words in nature language, given mathematical meaning by associating each word with a fuzzy set fuzzy rulebases have been proven to be powerful and intuitive tools for modeling a wide range of phenomena. The problem of how to construct fuzzy rulebases has been extensively explored. However, the problem of how to defined operations on fuzzy rulebases is still an open question. This paper addressed the second question. The purpose of this research project was to develop an algorithm for detecting and quantifying structure similarity between two fuzzy rulebases, which in turn give an approximate measure of the similarity between two systems. The proposed algorithm is based on linguistic gradient, which is a linguistic analogue of the gradient operator from calculus. For each of the two fuzzy rulebases, the gradient vector can be computed at each point in the linguistic space. Each n-dimension gradient vector is converted to a 2ndimension 3-level vector by thresholding its magnitude on each axis. Vectors lie on each axis are added to compute projection. The projection vectors of the two fuzzy rulebases are regranulated to the same granularity using weighted sum. The regranulated vectors are then compared using Euclidean distance formula. The Euclidean distance is normalized so that results of different pair of rulebases are directly comparable. Programs have been developed for C++ and Matlab to implement this algorithm.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».