A Design of Granular Takagi–Sugeno Fuzzy Model Through the Synergy of Fuzzy Subspace Clustering and Optimal Allocation of Information Granularity
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
Fuzzy models have been commonly used in system modeling and model-based control. Among various fuzzy models, Takagi-Sugeno (TS) fuzzy models form one of the intensively studied and applied categories of models. In this study, we are concerned with a development of a granular TS fuzzy model realized on a basis of numerical evidence and completed through a combination of fuzzy subspace clustering and the principle of optimal allocation of information granularity. The TS fuzzy models are built with the use of the fuzzy subspace clustering algorithm. Information granularity is regarded as a crucial design asset whose optimal allocation gives rise to granular fuzzy models and makes the constructed models to become better in rapport with experimental data. In comparison with fuzzy models, granular fuzzy models produce results (outputs) that are information granules rather than numeric entities being encountered in fuzzy models. In contrast with the commonly used optimization criteria, which emphasize the highest accuracy encountered at the numeric level, the performance of the granular TS fuzzy model is quantified in terms of the coverage and specificity criteria where such criteria are of interest in the evaluation of quality of information granules vis-à-vis experimental (numeric) data. Experimental results are reported for both synthetic datasets and publicly available data sets coming from the UCI machine learning repository.
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 | 0,001 |
| Science ouverte | 0,001 | 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 découle