A Type-3 Fuzzy Logic System with Uncertainty Bound Type-Reduction and Optimized Secondary Memberships and Level of Alpha-Cuts
Notice bibliographique
Résumé
Abstract Recently interval type-3 (IT3) fuzzy logic systems (FLSs) are applied for various high-noisy problems. However, in most presented IT3-FLSs: (1) To convert the output T3 fuzzy sets (FSs) into a crisp value just the simple weighted average type-reductions are used that these approaches weakness the main concept of IT3-FSs; (2) The secondary memberships and number, rule format, number of FSs and $$\alpha $$ α -cuts are constant in existing IT3-FLSs; (3) One of the main properties of IT3-FSs is that the upper bound (UB) and lower bound (LB) of the footprint of uncertainty (FOU) are fuzzy numbers. However, in existing FSs, it is hard to determine an uncertainty bound for UB and LB of FOU. In this paper, new type-reduction and a new learning technique are introduced. The main contributions are as follows. (1) A type-reduction based on the theorem of uncertainty bounds is developed. The suggested method has no iterative computations, and it is much closer to the Karnik-Mendel technique. (2) A new type-3 (T3) fuzzy set with triangular secondary membership, and simple interval fuzzy bounds for UB and LB of FOU is introduced and formulated. (3) A new self-structuring technique based on Invasive Weed Optimization (IWO) is suggested for optimizing rule numbers, the format of rules, the level of $$\alpha $$ α -cuts, the secondary membership, the center of FSs, and the rule parameters. (4) By several simulations on modeling of real-world data, applied control applications, and statistical analyses, the effectiveness of the schemed FLS and learning strategy is verified.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».