Disertasi fuzzy himpunan linguistik
Abstrak
Cara menambahkan kondisi yang dipilih sebagai link ke aturan. Sistem mengulangi proses ini hingga tidak ada lagi kasus penting dalam daftar yang sesuai dengan aturan. Pertanyaan penting berikutnya yang harus dievaluasi adalah apakah penambahan ketentuan pada suatu aturan memerlukan terlalu banyak langkah. Setelah sistem menambahkan aturan dengan kriteria yang dipilih, sistem menguji sisa kasus dasar yang terkait dengan aturan induk dan menyimpan setiap kasus yang memenuhi aturan baru sebagai kasus dasar untuk aturan bertingkat baru.
Penting untuk ditegaskan kembali bahwa kasus-kasus yang mempengaruhi klasifikasi berdasarkan Peraturan diperbolehkan berdasarkan Peraturan dan kasus-kasus dasar yang diperoleh berkaitan dengan kasus-kasus ini. Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.
Terakhir, kasus baru ditambahkan ke database kasus Cornerstone. Daftar kasus dasar untuk aturan lain yang dipenuhi dengan benar oleh kasus tersebut (yaitu, menentukan klasifikasi kasus yang benar) juga diperbarui untuk menyertakan kasus baru. Sistem sekarang siap untuk menjalankan lebih banyak kasus dan mendapatkan lebih banyak wawasan ketika klasifikasi yang ada salah/salah. Sistem MCRDR dikembangkan untuk seluruh domain atau secara bertahap untuk subdomain pada waktu tertentu untuk menghindari kebutuhan akan tenaga ahli. Oleh karena itu, kasus dengan beberapa klasifikasi hanya dapat memberikan klasifikasi pertama. Algoritmenya identik dalam hal perlakuan hierarki subbidang, kecuali konsultasi tambahan dengan pakar diperlukan untuk menentukan apakah klasifikasi baru harus diterapkan untuk setiap kasus dasar yang memenuhi aturan. Studi pascasarjana.
Namun yang istimewa adalah aturan publikasi diperjelas untuk kasus-kasus individual, dan kasus-kasus lain yang diterbitkan pada waktu yang sama tidak dipertimbangkan. Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.
Pendahuluan
Apa itu Pemrograman RDR .Bab 10 Pemrograman RDR atau Pemrograman Ripple Decline Rule (RDR) yang diperkenalkan pada Bab 8 dan 9 dibahas secara rinci di sini untuk membantu Anda memahami bagaimana RDR sebenarnya diimplementasikan dalam pemrograman. Literatur yang digunakan dalam bab ini berasal dari mahasiswa pascasarjana Kang [Kang96]. Untuk itu silakan baca : Kang, P. Compton, dan P. Preston [Kang95] dan V. Ho, W. Wobcke, dan P. Compton [Ho03] dan penulisnya sendiri didasarkan pada pendekatan yang dipublikasikan, Variable-Centered Intelligent Rule Systems Hypothesis ( VCIRS ). dan berkembang. , dibahas di akhir Bab 18 Modul Lanjutan.
Apa itu RDR? Saatnya untuk benar-benar mengintegrasikan RDR ke dalam pemrograman agar kita bisa langsung merasakan manfaatnya dalam kehidupan sehari-hari. Dari kajian kita pada Bab 9, kita dapat merangkum beberapa poin mengenai RDR, yaitu: ^ RDR adalah suatu sistem yang konstruksi pengetahuan dan demonstrasi pengetahuannya konsisten. Oleh karena itu, fokusnya adalah pada konstruksi pengetahuan, dan argumentasi pengetahuan termasuk dalam proses konstruksi pengetahuan. ^ Pekerjaan RDR didasarkan pada Cornerstone Cases (CC). Studi pascasarjana.
CC adalah aturan di Basis Pengetahuan (KB). Bagaimana hal ini menyebabkan sistem RDR salah mengklasifikasikannya (dan pada akhirnya membuat aturan baru di basis pengetahuan)? ^ RDR kelas tunggal (SCRDR) bekerja dengan mencocokkan hanya 1 CC untuk setiap kasus baru dan memprosesnya sebagai KB. SCRDR memiliki pohon biner. ^ RDR multi-kelas (MCRDR) bekerja dengan mencocokkan semua CC yang ada untuk setiap kasus baru dan memprosesnya menjadi KB. Pohon MCRDR bisa menjadi pohon n-lipat. ^ Selama proses membangun pengetahuan (dan tentu saja berpikir), sistem mencari aturan yang sesuai dan, jika cocok, anak akan diperiksa lebih lanjut. Studi pascasarjana.
Jika tidak ada yang cocok, saudara kandung diurutkan berdasarkan usia terbesar. Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.
Bagaimana RDR 100 diprogram? 10.2 Pohon RDR Jika basis pengetahuan kita tidak berisi konten tentang RDR, pohon yang ada mungkin terlihat seperti Gambar 10.1. Ada 1 root virtual di KB. Gambar 10.1 Apakah ada lowongan bagi lulusan universitas di basis pengetahuan RDR?
Bagaimana setiap node di KB mewakili aturan di RBS ditunjukkan pada Gambar 10.2 di bawah. Gambar 10.2 Representasi node di RDR (dalam KB). Setiap kasus baru yang diproses di RDR (lihat Gambar 10.3 di bawah) dibandingkan dengan aturan yang ada di KB (termasuk CC tentunya) dan daftar perbedaan dibuat. Terdiri dari dua bagian yaitu CC part (A) dan new control part (B), seperti terlihat pada Gambar 10.4 di bawah ini. Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.
Apa itu pemrograman RDR? Gambar 10.3 Ikhtisar kasus baru di 101 basis pengetahuan. Gambar 10.4 Daftar perbedaan lulusan
Yang harus dilakukan selanjutnya: Sistem memberikan 6 pilihan kepada pengguna berdasarkan daftar perbedaan yang dibuat sebelumnya, yaitu: pengguna menerima aturan yang ada, kasus baru yang tersedia tidak ada masalah, dan hanya ada 4 kesimpulan. Aturan yang baru dibuat adalah negasi dari kondisi di bagian A. Aturan baru yang dihasilkan di daftar diff adalah aturan baru yang dihasilkan di daftar diff. Kondisi di Bagian B merupakan kombinasi dari Opsi 1 dan Opsi Aturan selanjutnya, – Kandidat PhD di bidang Kecerdasan Mesin.
Cara memprogram melalui RDR 102.
Bagaimana aturan yang baru dibuat semuanya berasal dari kasus baru yang tersedia, tanpa melihat daftar perbedaannya, tetapi berada pada level yang sama dengan CC yang diperiksa sebelumnya? Artinya aturan baru ini akan menjadi adik terkecil dari CC yang diperiksa, atau dengan kata lain aturan baru ini akan memiliki aturan induk yang sama dengan CC, hanya saja karena merupakan aturan terakhir yang dibentuk maka aturan baru tersebut akan menjadi aturan baru. terkecil dari. Sebuah contoh aturan yang diperiksa sebelum induknya CC. Aturan yang baru dibuat semuanya berasal dari kasus yang baru tersedia, tanpa memperhatikan daftar perbedaan, dan terletak langsung di bawah root virtual. Dengan kata lain, berikut adalah aturan kontrasepsi yang ketat. Gambar 10.5-10.10 di bawah menjelaskan pilihan di atas. Gambar 10.5 Ilustrasi lengkap opsi 0.
Bagaimana dengan . Konsultasi disertasi Subakti, mahasiswa PhD bidang pemrograman kecerdasan mesin di RDR?
Gambar 10.6 Representasi opsi Gambar 10.7 Opsi 2 menggambarkan lulusan.
Seperti apa mahasiswa PhD?
Seperti apa mahasiswa PhD?
Bagaimana Aturan selanjutnya, lulus (RDR Root Cheetah Programming Machine Intelligence).
Cara menghindari flek hitam Ban Garis Hitam Tiger Case Old Rujc Opel 3 Pilihan I dan Kombinasi 2Graduate.
Gambar 10.8 Opsi 3 Penelitian Akar 1 Karnivora Berbulu Mammut II Apa yang diwakili oleh Tawny Carrivc-e?
Cara Menghilangkan Flek Hitam, Tar, Goresan Hitam, Ti kPr Cheetah.
Bagaimana aturan lama menjadi baru di Opal 4? Semua kondisi bare case yang ada diubah menjadi kasus dengan aturan baru yang identik dengan kasus dasar yang dipelajari oleh mahasiswa pascasarjana.
Bagaimana Anda mengetahui bahwa aturan umum untuk situasi dasar yang Anda pelajari adalah aturan mamalia? Gambar 10.9 Ilustrasi Opsi 4 Aturan selanjutnya, – Aesin Intelligence Aturan selanjutnya, – Pascasarjana Machine Intelligence.
Apa itu pemrograman RDR? Gambar 10.10 De tesis/disertasi Opsi Jika ingin suatu aturan tidak digunakan lagi, tambahkan saja ikon yang menandakan bahwa aturan tersebut tidak lagi digunakan (artinya kesimpulan tidak dapat digunakan, tetapi klausa dapat digunakan). Saya masih mengerjakannya. Aturan berikut ini berlaku. Ini (disebut aturan penghentian) ditunjukkan pada Gambar 10.11 di bawah. Gambar 10.11 Ilustrasi aturan pemberhentian mahasiswa S3 sebanyak 105 orang.
Apa itu Pemrograman RDR 106 10.3 Base Case RDR bekerja berdasarkan Base Case (CC). CC juga merupakan sebuah aturan, namun aturan dalam KBlah yang menyebabkan kesalahan klasifikasi pada sistem RDR. Namun karena kesalahan klasifikasi tersebut, RDR mampu mengeluarkan peraturan baru, khususnya di bidang keluarga berencana bagi lulusan perguruan tinggi.
Tentu saja, ini adalah aturan pertama yang menempati KB, yaitu aturan pertama yang secara langsung berada di bawah root virtual. Seperti terlihat pada Gambar 10.12 di bawah ini. Gambar 10.12 CC Pertama Selanjutnya, setiap aturan baru yang ditambahkan ke KB berdasarkan opsi 4 dan 5 juga akan menjadi CC. Seperti terlihat pada Gambar 10.13 di bawah ini. Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.
Aturan selanjutnya, – Cara Kerja Machine Intelligence Gambar 10.13 Opsi 4 dan 5 Aturan apa yang berlaku di CC Pascasarjana?
Misalnya pada Gambar 10.14 di bawah, CC adalah garis kuning tebal. Selain itu, untuk menunjukkan bahwa aturannya adalah CC, dapat digunakan ikon, seperti yang ditunjukkan pada Gambar 10.1. Gambar 10.14 CC pada Pemrograman RDR – Contoh Pemrograman RDR KB 107 Pascasarjana.
108 10.4 Apa yang dimaksud dengan struktur data? Meskipun basis pengetahuan berbentuk pohon, kami menerapkannya pada database untuk alasan praktis. Gambaran umum database RDR ditunjukkan pada Gambar 10.15 di bawah. Gambar 10.15 Struktur data RDR KB Aturan selanjutnya, – Pascasarjana Machine Intelligence.
Bagaimana Mengkaburkan Sistem 109 Apakah Anda sudah menyelesaikan studi Anda?
Apa itu sistem fuzzy? Bab 2 Bab ini memperkenalkan sistem fuzzy. Library yang digunakan berasal dari website http://www.comp.nus.edu.sg/~pris/FuzzyLogic/ yang merupakan perpustakaan [Nus]. Dikembangkan oleh Lotfi Zadeh pada tahun 1960, sistem fuzzy pada dasarnya adalah tentang bagaimana orang menangani informasi yang tidak akurat dan tidak pasti. Ini memodelkan bagaimana orang menggunakan pemikiran perkiraan untuk menghadapi ketidakakuratan, ketidakpastian, ketidakakuratan, ambiguitas, ambiguitas, kualitas, subjektivitas, dan persepsi yang muncul setiap hari dalam pengambilan keputusan mahasiswa pascasarjana.
Bagaimana sistem fuzzy menangani istilah-istilah fuzzy yang umum digunakan dalam bahasa sehari-hari, seperti “cukup”, “sangat”, dan “ekstrim”? Hal ini sesuai dengan konsep berhitung dengan kata (CW), bukan manipulasi angka dan simbol. Konsep berhitung dengan kata berkaitan dengan bahasa dan persepsi, sedangkan memanipulasi angka dan simbol berkaitan dengan pengukuran yang jelas dan percaya diri. Zade percaya bahwa manusia telah berhasil berpindah dari persepsi ke pengukuran (sehingga keberhasilan terkait dengan pengukuran yang tepat, seperti operasi penerbangan), namun masih perlu berpindah dari pengukuran ke persepsi (agar fungsi fleksibel, seperti penggerak manusia dapat berhasil. ). mengelola). Bertindak seperti robot). ). “Komputasi lunak” diciptakan oleh Zadeh. Dalam pandangannya, bidang ini merupakan perpaduan teknik dan metode antara logika fuzzy, neurocomputing dan penalaran probabilistik, serta algoritma genetika, sistem chaos, jaringan kepercayaan, dan penelitian pascasarjana. Teori pembelajaran.
11.1 Apa yang dimaksud dengan logika fuzzy? Logika fuzzy adalah superset (termasuk himpunan bagian) dari logika Boolean tradisional, yang dikembangkan oleh mahasiswa pascasarjana Aturan selanjutnya, untuk membahas konsep kebenaran parsial (kebenaran dalam kecerdasan mesin).
Apa itu sistem fuzzy 110? “Sangat benar” dan “sangat salah”. Transisi nilai kebenaran dari “sepenuhnya benar” ke “sepenuhnya salah” diwakili oleh himpunan fuzzy daripada himpunan unik. Adegan tersebut sangat jelas, seperti adegan A saat ia sedang menempuh studi PhD.
Benar sekali {A | A >= 35} bahwa ada pembedaan atau batasan yang jelas antara anggota suatu kerumunan dan bukan anggota suatu kerumunan. Misalnya, hanya mereka yang berusia di atas 35 tahun yang dianggap anggota Grup A, sedangkan kelompok usia lainnya tidak dianggap anggota. Tapi bagaimana dengan 34,8? Apakah saya akan dianggap tua? Apakah ada definisi “tua” antara usia 35 dan 85 tahun? Dengan kata lain, berapa umur yang “tua”? Masalah yang sama muncul ketika mengklasifikasikan berbagai pengukuran lain seperti panas, ketinggian, dan harga. Ketidakakuratan dan ketidakpastian terminologi serta fleksibilitas nilai kebenaran dapat ditangani dalam himpunan fuzzy tetapi tidak dalam himpunan jelas. Pada himpunan fuzzy, transformasi fungsi keanggotaan ke fungsi non anggota pada himpunan terjadi secara bertahap dan tidak berubah secara tiba-tiba. Studi pascasarjana.
Bagaimana Gambar 11.1 di bawah menjelaskan perbedaan umur antara himpunan Crisp dan Fuzzy? Gambar 11.1 Perbedaan umur antara himpunan jelas dan himpunan fuzzy. Dalam grafik himpunan fuzzy A, orang yang berusia 35 tahun ke bawah masih menjadi anggota himpunan fuzzy A yang lebih tua, tetapi pada tingkat yang lebih rendah. Derajat keanggotaan suatu himpunan fuzzy berkisar antara 0,0 (bukan anggota) hingga 1,0 (keanggotaan lengkap), sedangkan derajat keanggotaan suatu himpunan pasti hanya 0,0 (anggota) atau 1,0 (bukan anggota). Secara umum, derajat keanggotaan himpunan fuzzy muda menurun seiring bertambahnya usia. Jika kita mempunyai himpunan fuzzy B yang masih muda, kita asumsikan bahwa jumlah anggotanya bertambah seiring bertambahnya usia lulusan.
Mengapa Aturan selanjutnya, memiliki gelar Fuzzy Systems Machine Intelligence?
Bagaimana tentang itu? 111 Seperti terlihat pada Gambar 11.1 di atas, dalam logika fuzzy, seseorang yang berusia 45 tahun dapat dianggap “tua” pada rentang 0,95, dan “muda” pada rentang 0. Sampai kita beralih dari pengukuran yang tepat dan jelas ke kata atau istilah yang diucapkan (berkaitan dengan bahasa). Logika fuzzy telah diterapkan dalam sistem pakar untuk menghadapi ketidakpastian dalam bahasa yang digunakan oleh para ahli ketika mengungkapkan pengetahuan spesifik domain ke dalam kata-kata. Ketidakpastian digunakan tidak hanya untuk mewakili pengetahuan pakar tetapi juga untuk menyelesaikan tugas pakar. Pengetahuan direpresentasikan dalam sistem pakar fuzzy menggunakan variabel linguistik, nilai linguistik, istilah linguistik, fungsi keanggotaan dan aturan hierarki IF-THEN.
11.2 Apa yang dimaksud dengan ketidakakuratan dan ketidakpastian? Ambiguitas berbeda dengan bentuk ketidakakuratan dan ketidakpastian lainnya. Ada banyak jenis ketidakakuratan dan ketidakpastian, dan ambiguitas hanyalah salah satu aspeknya. Ketidakakuratan dan ketidakpastian merupakan aspek pengukuran, probabilitas, dan de tesis/disertasi. Ketidakakuratan dalam pengukuran disebabkan oleh kurangnya pengetahuan. Terkadang pengukuran mahasiswa pascasarjana kami tidak tepat, tidak tepat, atau tidak dapat diandalkan.
Ketidakpastian adalah salah satu bentuk kemungkinan, dan bagaimana hubungannya dengan ketidakpastian mengenai peristiwa atau fenomena di masa depan? Ini berfokus pada kemungkinan kejadian yang tidak pasti (ketidakpastian acak). Contohnya adalah kalimat “Besok mungkin hujan”, yang menunjukkan tingkat keacakan tertentu. Ketidakakuratan deskriptif adalah jenis ketidakakuratan yang melibatkan logika fuzzy. Ini adalah ambiguitas, ketidakjelasan, kualitas, atau subjektivitas (ketidakpastian linguistik, leksikal, atau semantik) dalam bahasa kita sehari-hari. Ada kebingungan mengenai definisi konsep atau arti istilah seperti “gedung tinggi” atau “bernilai rendah”. Studi pascasarjana.
Bagaimana pemikiran manusia (yaitu persepsi dan interpretasi) dapat dipengaruhi oleh kekacauan? Contoh pernyataan samar-samar dalam kehidupan sehari-hari adalah: “Kadar hemoglobin sangat rendah.” “Teddy lebih berat dari pada Ike.” Lebih lanjut, sifat ketidakjelasan dan keacakan sangatlah berbeda. Perbedaannya terletak pada ketidakakuratan dan ketidakpastian. Yang pertama berisi pikiran, perasaan atau kata-kata subjektif manusia dan yang kedua mewakili data statistik. Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.
Bagaimana cara menyelesaikan Sistem Fuzzy 112.
Apa yang dimaksud dengan objektivitas dalam sains? Dari perspektif pemodelan, model fuzzy dan statistik juga memiliki jenis informasi yang berbeda karena alasan filosofis: keanggotaan fuzzy mewakili kesamaan suatu objek dengan atribut yang didefinisikan secara tidak tepat, sedangkan probabilitas menyampaikan informasi tentang frekuensi relatif. Dengan demikian, ambiguitas dikaitkan dengan kepastian yang cukup dan kemungkinan ketidakpastian. 11.3 Variabel linguistik, nilai linguistik, dan istilah linguistik Sama seperti variabel numerik mengambil nilai numerik, variabel linguistik dalam logika fuzzy mengambil nilai linguistik yang terdiri dari kata-kata (istilah linguistik) yang dikaitkan dengan keanggotaan dalam suatu himpunan. Oleh karena itu, variabel “tinggi” tidak diasumsikan bernilai 1,75 meter, tetapi diperlakukan sebagai variabel linguistik asumsi. Misalnya derajat keanggotaan nilai bahasa “tinggi” adalah 0,9, dan derajat keanggotaan “sangat kecil” adalah 0,9. Tingkat keanggotaan 0,06; “sangat tinggi”, tingkat 0. Studi pascasarjana.
Bagaimana Zade memperkenalkan konsep ini untuk memahami fenomena yang terlalu kompleks atau sulit didefinisikan untuk dijelaskan dalam istilah kuantitatif tradisional. Variabel linguistik mengambil nilai yang didefinisikan dalam kumpulan konsep (yaitu istilah linguistik). Istilah linguistik adalah kategori subjektif dari variabel linguistik. Misalnya, untuk variabel linguistik “usia”, himpunan istilah T(usia) dapat didefinisikan sebagai berikut: T(usia) = {“muda”, “tidak muda”, “tidak terlalu muda”, “sangat muda”, . .., “paruh baya”, “bukan paruh baya”, …, “tua”, “tidak tua”, “sangat tua”, “hampir tua”, “sangat tua”, …, “tidak tua”, sangat muda atau sangat tua”,…} 11.4 Inferensi himpunan fuzzy dan fungsi keanggotaan.
Cara kerjanya seperti ini: Setiap istilah linguistik dikaitkan dengan himpunan fuzzy, dan setiap himpunan fuzzy memiliki fungsi keanggotaan (MF) yang ditentukan. Secara formal, himpunan fuzzy A di U merupakan himpunan pasangan terurut A = { (x, mA(x)) | x diwakili oleh U }, dimana mA(x) digunakan untuk menentukan derajat keanggotaan fungsi x. Ini mewakili derajat x di himpunan. Gambar 11.2 di bawah mengilustrasikan variabel linguistik “suhu tubuh” dan lima istilah linguistik terkait, yaitu “tidak demam”, “sedikit demam”, “sedikit demam”.
Aturan selanjutnya, – Mahasiswa PhD bidang Kecerdasan Mesin 113.
Bagaimana sistem fuzzy menunjukkan apakah suatu demam cukup tinggi – “demam sedang”, “demam tinggi”, dan “demam sangat tinggi”. Masing-masing istilah linguistik tersebut terdapat dalam himpunan fuzzy yang ditentukan oleh fungsi keanggotaan yang bersangkutan. Gambar 11.2 Contoh variabel dan istilah linguistik, himpunan fuzzy dan fungsi keanggotaan. Perlu diulangi bahwa fungsi keanggotaan adalah ukuran subjektif dari konsep linguistik, bukan fungsi probabilitas. Ada banyak jenis fungsi anggota. Studi pascasarjana.
Yang paling umum adalah fungsi keanggotaan segitiga (lihat Gambar 11.2 di atas), MF trapesium, MF Gaussian, dan MF lonceng umum. Gambar 11.3 di bawah ini menunjukkan definisi dan grafik fungsi keanggotaan. Gambar 11.3 Macam-macam Fungsi Aturan selanjutnya, (Mahasiswa Pascasarjana Machine Intelligence).
Apa itu sistem fuzzy? 114 11.5 Model sistem pakar fuzzy Sistem pakar fuzzy terdiri dari empat bagian yaitu: fuzzifier, mesin inferensi, defuzzifier dan basis aturan fuzzy. Studi pascasarjana.
Untuk melihat cara mempermudahnya, lihat Gambar 11.4 di bawah ini. Gambar 11.4 Model sistem pakar fuzzy Pada fuzzer, masukan eksplisit diubah menjadi nilai linguistik yang terkait dengan variabel linguistik masukan. Setelah fuzzifikasi, mesin inferensi mengandalkan basis aturan fuzzy dengan aturan IF-THEN untuk memperoleh nilai linguistik dari variabel linguistik perantara dan keluaran. Setelah nilai linguistik keluaran tersedia, defuzzifier menghasilkan nilai akhir yang tajam berdasarkan nilai linguistik keluaran. Dokter lari.
Bagaimana? Dengan menggunakan fungsi keanggotaan yang mendefinisikan setiap himpunan fuzzy untuk setiap variabel linguistik, maka dapat ditentukan derajat keanggotaan nilai tajam pada setiap himpunan fuzzy. Misalnya, pada Gambar 11.5 di bawah, untuk setiap kalimat fuzzy yang mendefinisikan variabel linguistik “usia”, sebuah segitiga MF digunakan untuk memfuzzifikasi variabel numerik “usia” ke nilai 25,0. Melalui fuzzifikasi, nilai kebahasaan pada variabel umur kebahasaan adalah “muda” dengan derajat keanggotaan sebesar 0,666, nilai kebahasaan “sangat tua” sebesar 0,333, dan nilai kebahasaan lainnya sebesar 0,0. Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.
Metode: Dalam aplikasi sistem pakar fuzzy, setiap nilai unik dari suatu variabel masukan diubah terlebih dahulu menjadi nilai linguistik kemudian diproses oleh mesin inferensi dan diproses menggunakan basis aturan. Basis aturan fuzzy dan aturan fuzzy IF-THEN Sistem pakar fuzzy menggunakan aturan fuzzy IF-THEN. Bentuk aturan fuzzy IF-THEN adalah: Ph.D.
JIKA X1 = A1 dan X2 = A2 … dan Xn = An, maka Y = B, dimana Xi dan Y adalah variabel linguistik dan Ai dan B adalah item linguistik. Bagian IF merupakan premis atau premis (ide dasar/alasan), sedangkan bagian THEN merupakan hasil atau kesimpulan (conclusion). Contoh aturan fuzzy IF-THEN adalah: IF pressure = “low”, THEN volume = “high” derajat.
Bagaimana? Contoh pertanyaan profil investasi lainnya adalah sebagai berikut. IF (usia = “muda”) AND (dana = “kecil”) THEN (toleransi = “risiko netral”) IF (usia = “cukup umur”) AND (dana = “besar”) THEN (toleransi = “risiko netral” ) = “risiko-netral”) netral “atribut” ) = “risiko”) IF (pendanaan = “sangat besar”) THEN (toleransi = “tebal”) Dalam sistem pakar fuzzy, saat memproses input ke basis aturan fuzzy jam. Mesin inferensi lulusan.
Setelah semua nilai masukan unik diubah menjadi nilai linguistik yang sesuai, mesin inferensi mengakses basis aturan fuzzy dari sistem pakar fuzzy, seperti yang ditunjukkan pada Gambar 11.5.
Bagaimana sistem fuzzy 116 memperoleh hasil antara variabel ucapan dan nilai ucapan dari variabel keluaran ucapan hierarki?
Dua langkah utama dalam proses penalaran adalah agregasi dan kombinasi? Agregasi mengevaluasi nilai pada bagian aturan IF (premis), sedangkan kombinasi mengevaluasi nilai pada bagian aturan THEN (kesimpulan). Selama proses agregasi, setiap kondisi di bagian IF aturan diberi tingkat kebenaran berdasarkan tingkat keanggotaan istilah bahasa terkait. Dari sini biasanya dihitung nilai kebenaran minimum (MIN) atau hasil kali (PROD) dari nilai kebenaran bersyarat untuk mengurangi nilai kebenaran bagian IF. Nilai bagian THEN berdasarkan seberapa realistis bagian tersebut. Langkah terakhir dalam proses inferensi adalah menentukan seberapa benar setiap istilah linguistik berdasarkan variabel linguistik keluarannya. Studi pascasarjana.
Biasanya, pada bagian THEN, dihitung nilai kebenaran maksimum (MAX) dan jumlah nilai kebenaran (SUM) aturan dengan unsur kebahasaan yang sama untuk menentukan nilai kebenaran setiap unsur kebahasaan dari variabel kebahasaan keluaran. Dari contoh sebelumnya, dengan menggunakan MAX untuk menghitung kebenaran istilah bahasa “toleransi variabel keluaran”, kita mendapatkan: “risiko netral”: max{0.2} = 0.2 “online”: max{0.3, 0.45} = 0.45 Berapa banyak lagi Agregasi berbeda tersedia sebagai metode kombinatorial dalam literatur. Defuzzifikasi lulusan.
Tahap akhir dari sistem pakar fuzzy adalah melakukan defuzzifikasi nilai linguistik dari variabel linguistik keluaran menjadi nilai yang jelas. Teknik aborsi yang paling umum adalah Center of Maximum (CoM) dan Center of Area (CoA). CoM pertama-tama menentukan nilai paling khas untuk setiap istilah linguistik dari variabel. Misalnya aturannya sebagai berikut. Aturan 1: min{0.6, 0.2} = 0.2 Aturan 2: min{0.3, 0.35} = 0.3 mahasiswa doktoral.
Arti dari aturan 3: min{0.45} = 0.45 Maka bagian THEN dari aturan 1, 2, dan 3 berturut-turut adalah 0.2, 0.3, dan 0.45. Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.
Bagaimana melakukan keluaran ucapan dan menghitung nilai tajam sebagai kompromi terbaik antara nilai tipikal dan derajat keanggotaan masing-masing. Nilai yang paling khas dari suatu istilah linguistik adalah nilai maksimum fungsi keanggotaan kontinu. Jika fungsi keanggotaan mempunyai interval maksimum, maka diambil median intervalnya. Studi pascasarjana.
Untuk toleransi variabel keluaran pada Gambar 11.6 di bawah, nilai yang paling khas untuk setiap istilah linguistik adalah “penghindar risiko”, “sedikit menghindari risiko”, “netral risiko”, “mencintai risiko”, dan “kepribadian permainan – pemain nyata”. ” masing-masing adalah 1, 2, 3, 4 dan 5 Gambar 11.6 Contoh defuzzifikasi variabel linguistik keluaran Setelah mengidentifikasi nilai tipikal, rata-rata tertimbang digunakan untuk menghitung nilai tajam sebagai kompromi terbaik antara nilai tipikal yang ada dan menghitung Nilai-nilai terkaitnya saling terkait. Gunakan derajat yang sesuai sebagai bobot. Berdasarkan contoh di atas, nilai nyata dari toleransi variabel keluaran dihitung sebagai berikut: (0.0*1 + 1.0*2 + 1.0*3 + 0.8* 4 + 0.0*5) / ( 0 .0 + 1 .0 + 1.0 + 0.8 + 0.0 ) Atau langsung menyimpulkan: kita mendapatkan 2.928571. Pendekatan umum lainnya untuk CoA, terkadang disebut Center of Gravity (CoG), dimulai dengan memotong fungsi keanggotaan masing-masing unsur kebahasaan diperoleh nilai A sesuai dengan nilai kebahasaannya.Studi Pascasarjana.
Bagaimana menyeimbangkan cakupan area di bawah bagian fungsional masing-masing anggota (area yang ditumpuk di atas) untuk memberikan nilai kompromi. Kerugian dari teknik ini adalah upaya komputasi pada wilayah di bawah fungsi keanggotaan. Ada beberapa variasi lain dalam menghitung skor kejelasan ucapan. Anda adalah . Konsultasi disertasi Subakti, seorang mahasiswa PhD di bidang kecerdasan mesin.
Rata-rata maksimum (MoM), maksimum kiri (LoM) atau maksimum minimum (SoM), maksimum kanan (RoM) atau maksimum maksimum (LoM) dari sistem fuzzy 118 dan bagaimana area bertingkat membagi dua garis (Bohr). ).
Aturan selanjutnya, – Mahasiswa PhD bidang Kecerdasan Mesin 119.
Apa saja penerapan algoritma genetika dan himpunan fuzzy pada RDB (1) Bab 12 Penerapan algoritma genetika dan himpunan fuzzy pada RDB (1) Pada bab ini akan dibahas penerapan algoritma genetika dan himpunan fuzzy pada database relasional. Saya harap Anda dapat memahami penerapan praktis algoritma genetika dan himpunan fuzzy dalam kehidupan kita sehari-hari. Perpustakaan yang digunakan berasal dari CM Huang [Huang02], SM Chen dan lulusan master.
Bagaimana dengan Ye [Chen97]; SM Chen dan HH Chen [Chen00]; KS Leung dan W. Lam [Leung98]; dan mahasiswa pascasarjana SM Chen dan CM.
Nama saya Huang [Chen03]. Nama aplikasi: Menghasilkan aturan fuzzy berbobot untuk estimasi nol dari database relasional. Pada bab ini kita membahas penerapan GA (genetika algoritma) dan himpunan fuzzy dalam database relasional (RDB – Relational Database). Aplikasi memperkirakan/menghasilkan nilai dari nilai null dalam database relasional menggunakan aturan fuzzy berbobot. Nilai null di sini bisa disebabkan oleh bug/bencana yang merusak entri database, atau nilainya tidak ditentukan sebelumnya. Keunggulan dari aplikasi ini adalah dapat memulihkan/memprediksi nilai null, membuat database kosong yang sebelumnya rusak menjadi lebih dapat digunakan, seperti database normal/bukan null.
Bagaimana 12.1 Apa konsep dasar himpunan fuzzy? Sebelumnya kita telah membahas konsep dasar himpunan fuzzy yang dibahas pada Bab Subset fuzzy A dari domain bahasa U dapat direpresentasikan dengan notasi berikut: A = µA (u1) / u1 + µA (u2) / u2 + .. . + µA (un) / un (12.1), dimana µA adalah fungsi keanggotaan µA dari subset fuzzy A: U->[0,1], µA (ui) mewakili derajat keanggotaan ui dalam himpunan fuzzy hierarki.
Jika U merupakan himpunan kontinu, maka himpunan bagian fuzzy A dapat dinyatakan kembali sebagai berikut: A = f UA(u) u, uE U (12.2) U Aturan selanjutnya, – Pascasarjana Kecerdasan Mesin.
Bagaimana 120 Apa itu algoritma genetika dan penerapan himpunan fuzzy dalam RDB (1) 12.2 Istilah bahasa Himpunan fuzzy dalam database relasional dapat direpresentasikan dengan himpunan fuzzy dengan fungsi keanggotaan. Studi pascasarjana.
Pada bab ini, fungsi anggota istilah bahasa “L”, “SL”, “M”, “SH” dan “H” untuk atribut “Gaji” dan “Pengalaman” dalam sistem database relasional ditunjukkan pada Tabel 12.1 . sebagai berikut. Tabel 12.1 Istilah bahasa yang digunakan Simbol Arti L Rendah SL Sedikit lebih rendah M Rata-rata lulusan.
Mengapa SH agak tinggi? H tinggi. Pada Gambar 12.1 di bawah, Anda dapat melihat bagaimana gaji seseorang (misalnya, $48.000) dibagi menjadi istilah linguistik “sedang” (M) dan “agak tinggi” (SH). ) masing-masing adalah 0, 7 dan 0 Gambar 12.1 Fungsi anggota elemen bahasa atribut “Gaji”. Juga pada Gambar 12.2 di bawah ini, Anda dapat melihat seberapa besar korelasi pengalaman seseorang (misalnya 4 tahun) dengan istilah linguistik “moderate low” (SL) dan “medium” (M). masing-masing adalah 0,5 dan 0. Aturan selanjutnya, – Pascasarjana Kecerdasan Mesin.
prosedur 121 Penerapan algoritma genetika dan himpunan fuzzy pada RDB (1) Mata kuliah Pascasarjana.
Apa fungsi keanggotaan unsur kebahasaan yang mempunyai atribut “empiris” pada Gambar 12.2? Kita dapat menggunakan matriks kesamaan fuzzy untuk merepresentasikan hubungan fuzzy. Asumsikan variabel bahasa V mempunyai unsur bahasa v1, v2,…,vn, dan asumsikan matriks kemiripan fuzzy seperti terlihat pada Gambar 12.3 di bawah, dimana uij merepresentasikan kemiripan antara vi dan vj. Kedekatan antara variabel linguistik vi dan vj dinyatakan sebagai CDv(vi,vj), dimana CDv(vi,vj) = uij, 1 !5 i !5 n dan 1 !5 j !5 n. Tentu saja, CDv( vi , vj) = 1, dimana 1 !5 i !5 n Perlu disebutkan di sini bahwa setiap elemen dalam matriks hubungan fuzzy ditentukan oleh pakar lulusan.
Gambar 12.3 Apa yang dimaksud dengan matriks kesamaan fuzzy? Selanjutnya para ahli menentukan fungsi rangking istilah-istilah linguistik untuk mengklasifikasikan istilah-istilah linguistik tersebut. Asumsikan variabel bahasa V mempunyai unsur bahasa vi dan vj, serta diasumsikan pula bahwa urutan unsur bahasa vi lebih penting daripada urutan unsur bahasa vj, maka urutan antara vi dan vj dapat didefinisikan sebagai berikut: (vi) > peringkat (vj), di mana 1 !5 i !5 n, 1 !5 j !5 n, i * j. Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.
Berikut cara melakukan ini di RDB. Mahasiswa doktoral.
Apa yang dimaksud dengan basis aturan? Basis aturan digunakan untuk menyatakan hubungan antara satu atribut dengan atribut lainnya. Sebagai contoh, Gambar 12.4 di bawah menunjukkan himpunan aturan dengan bobot atribut, yang mana semua aturan dalam basis aturan ditentukan oleh para ahli, wij mewakili bobot atribut Aj dari aturan ke-i dalam basis aturan, wij a [0, 1 ], 1 < i < n dan 1 < y < n Gaji Pengalaman Akhir EMP-ID pascasarjana PhD 7.2 63.000 Magister – Magister 2.0 37.000 Pascasarjana.
bagaimana dengan ini?
Seperti apa dokter itu? S9? 3,8 54.000 S1 3,5 35.000 S2 3,5 40.000 S2 3,6 41.000 S2 10,0 68.000 S3 5,0 57.000 S3
S15 pascasarjana 5,0 36,000 S16 Magister 6,2 50,000 S17 pascasarjana 0,5 23,000 S18 Magister 7,2 55,000 S19 Magister 6,5 51,000 S20 Doktor 7,8 Doktor 65,000
S21 Master 8.1 64.000 S22 Doctor 8.5 70.000 Gambar 12.4 Basis aturan dengan aturan fuzzy berbobot. Pada saat yang sama, hubungan dalam database relasional kami ditunjukkan pada Tabel 12.2 di bawah. Tabel 12.2 Hubungan dalam database relasional Aturan selanjutnya, – Pascasarjana Machine Intelligence.
Langkah 123 Penerapan GA dan himpunan fuzzy di RDB (1) Program pascasarjana.
Berdasarkan Gambar 12.1 di atas, nilai atribut Gelar dan Pengalaman pada Tabel 12.2 di atas dapat difuzzifikasi sehingga diperoleh hasil pada Tabel 12.3 di bawah ini. Tabel 12.3 Hasil fuzzifikasi atribut “derajat” dan “pengalaman” pada database relasional EMP-ID. Gelar, Pengalaman, Gaji, Gelar pascasarjana, PhD. .
S22 Ph.D./1.0 H/0.75 70,000 Bagaimana dengan 12.3 Kemiripan Pada aplikasi kita kali ini digunakan dua jenis kemiripan yaitu: ^ Kemiripan antar nilai atribut “Derajat”. Seperti terlihat pada Tabel 12.4 di bawah ini. ^ Mahasiswa pascasarjana mende tesis/disertasikan derajat kemiripan antara nilai non-numerik, seperti terlihat pada Gambar 12.5 di bawah.
Jika suatu atribut (misalnya BH, gelar Sarjana) memiliki bobot total 1, maka bobot pengalaman dihitung sebagai 1 dikurangi bobot derajat (bobot pengalaman = bobot 1 derajat). Gambar 12.6 Rumus estimasi atribut “ETi.Salary” pada tuple “Salary” format kromosom Ti adalah sebagai berikut: ETi.Salary = Ti.Salary x Kedekatan(Ti, Tj) (12.5) Kesalahan estimasi masing-masing nilai tupel) diberikan oleh persamaan (12.6), dimana Errori adalah kesalahan estimasi antara estimasi ETi. Atribut gaji tupel Ti dan nilai gaji aktual Ti Nilai gaji atribut gaji tupel Ti adalah : Errori = Ph.D.
ET T i Berapa gajinya? ~Saya. Gaji(12.6) T Gaji mahasiswa pascasarjana.
Misalnya, jika Avg_Error adalah rata-rata estimasi kesalahan tupel berdasarkan kombinasi bobot atribut turunan kromosom, maka rumusnya adalah: Avg_Error = n ^-1 Error i (12.7) n Selanjutnya kita dapat menerapkan rumus binning sebagai berikut:
Fitness = 1 – Avg_Error (12.8) Bagaimana cara menghitungnya? Tabel 12.5 di bawah ini menunjukkan contoh nilai null yang terjadi dalam database relasional. Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.
Apa saja 126 aplikasi algoritma genetika dan himpunan fuzzy di RDB(1)? Tabel 12.5 Contoh nilai null pada database relasional EMP-ID Gelar Pengalaman Gaji Mahasiswa S3 pascasarjana 7.2 Mahasiswa S3 63.000.
Bagaimana dengan: S2 2,0 37.000 S1 7,0 40.000 S2 1,2 47.000 S2 7,5 53.000 S1 1,5 26.000 S1 2.3 29.000 S2.
Seperti apa dokter itu? S8? 2,0 50.000 gelar Master
Seperti apa dokter itu? S14? 5,0 57.000 S15 pascasarjana 5.0 36.000 S16 Magister 6.2 50.000 S17 pascasarjana 0.5 23.000 S18 Magister 7.2 55.000 S19 Magister 6.5 51.000 Pascasarjana
Seperti apa dokter itu? S20? 7.8 65.000 S21 Master 8.1 64.000 S22 PhD 8.5 Nilai Null 12.5 Studi Kasus Tabel 12.5 diatas menunjukkan keadaan dimana terdapat nilai null pada database. Kemudian kami menyusun kromosom seperti mahasiswa pascasarjana.
Pembahasan
Apa itu kromosom? Dalam tesis/disertasi kromosom yang kita hadapi ditunjukkan pada Gambar 12.7 di bawah. Gambar 12.7 Contoh kromosom. Gambar 12.7 dapat diterjemahkan menjadi 15 aturan sebagai berikut: Aturan selanjutnya, – Mahasiswa PhD di bidang kecerdasan mesin.
Tanggal 127 hari apa? Penerapan himpunan fuzzy pada RDB (1) Aturan 1: Jika gelar = pascasarjana dan pengalaman = tinggi, maka bobot gelar = 0,010 dan bobot pengalaman = 0,99 lulusan.
Aturan 2 adalah: Jika Gelar = Magister dan Pengalaman = Tinggi, maka Bobot Gelar = 0,071 dan Bobot Pengalaman = 0,929. Aturan 3: Jika Gelar = PhD DAN Pengalaman = Lebih Tinggi, maka Bobot Gelar = 0,343 DAN Bobot Pengalaman = 0,657 Aturan 4: Jika Gelar = pascasarjana DAN Pengalaman = Lebih Tinggi, maka Bobot Gelar = 0,465 DAN Bobot Pengalaman = 0,535 Aturan 5: Jika Gelar = Magister dan Pengalaman = Rendah Tinggi, maka Bobot Gelar = 0,505 dan Bobot Pengalaman = 0,495. Aturan 6: Jika gelar = PhD, maka itu adalah program pascasarjana.
Jika ya, pengalaman = lebih tinggi, maka bobot gelar = 0,303, bobot pengalaman = 0,697 Aturan 7: Jika gelar = pascasarjana, pengalaman = sedang, maka bobot gelar = 0,495, bobot pengalaman = 0,505 Aturan 8: jika gelar = master, pengalaman = Untuk sedang, bobot derajat = 0,081, bobot pengalaman = 0,919. Aturan 9: Jika Gelar = PhD dan Pengalaman = Sedang, maka Bobot Gelar = 0,778, Bobot Pengalaman = 0,222 Aturan 10: Jika Gelar = pascasarjana dan Pengalaman = Rendah, maka Bobot Gelar = 0,717, Bobot Pengalaman = 0,283 Lulusan.
Aturan 11: Jika Gelar = Magister dan Pengalaman = Kurang, maka Bobot Gelar = 0,303, Bobot Pengalaman = 0,697 Aturan 12: Jika Gelar = PhD. AND pengalaman = sedikit lebih rendah, maka bobot gelar = 0,869 AND bobot pengalaman = 0,131 Aturan 13: Jika gelar = pascasarjana AND pengalaman = rendah, maka bobot gelar = 0,869 AND bobot pengalaman = 0,131 Aturan 14: jika gelar = gelar master AND pengalaman = Rendah, maka bobot derajat = 0,828 dan bobot pengalaman = 0,172. Aturan 15: Jika gelar = gelar PhD. Bila pengalaman = rendah, maka bobot gelar = 0,434, bobot pengalaman = 0,566
Kesimpulan
Kita dapat menggunakan fungsi keanggotaan unsur kebahasaan yang mempunyai atribut “empiris” pada Gambar 12.2? Kita dapat menggunakan matriks kesamaan fuzzy untuk merepresentasikan hubungan fuzzy. Asumsikan variabel bahasa V mempunyai unsur bahasa v1, v2,…,vn, dan asumsikan matriks kemiripan fuzzy seperti terlihat pada Gambar 12.3 di bawah, dimana uij merepresentasikan kemiripan antara vi dan vj. Kedekatan antara variabel linguistik vi dan vj dinyatakan sebagai CDv(vi,vj), dimana CDv(vi,vj) = uij, 1 !5 i !5 n dan 1 !5 j !5 n. Tentu saja, CDv( vi , vj) = 1, dimana 1 !5 i !5 n Perlu disebutkan di sini bahwa setiap elemen dalam matriks hubungan fuzzy ditentukan oleh pakar lulusan.