Genetic Algorithm based Rough Set C

Genetic Algorithm based Rough Set Clustering (GARSC) is a clustering technique that integrates genetic algorithm and rough set theory together. Genetic algorithm is applied to determine optimal or at least satisfactory suboptimal solutions. Rough set theory is incorporated to alleviate the curse of dimensionality problem [32], which leads to unnecessarily large network sizes of many established inference systems. By applying rough set approximations, the original knowledge base is greatly reduced without losing essential information. This wonderful characteristic of rough set theory is extremely helpful to improve the interpretability [33] of an existing inference rule base, i.e. reduce the number of features needed for reasoning, the number of rules employed, and the number of arguments stated in each rule. Therefore, the overall proposed system achieves a high level of interpretability without sacrificing accuracy. The overall GARSC process is illustrated in Fig. 1.
Please note that up to here the inference rules are crisp decision rules and we need to transform them into fuzzy rules by generating Gaussian type fuzzy membership functions based on the clustering results and assigning corresponding linguistic terms. Subsequently, the transformed fuzzy rules are used to evaluate the performance of the current solution. This knowledge transfer process is illustrated in Fig. 2.
This particular process of knowledge transfer from crisp to fuzzy cannot be omitted because the crispness of separation adopted in rough set theory does not tolerant overlapping. Fuzzy membership functions are employed to represent the derived clusters to deal with inexact information and unforeseen circumstances. This kind of knowledge transfer has a great advantage because it naturally prevents the fuzzy membership functions from overlapping or separating too much with adjacent ones, which is another important aspect of interpretability in fuzzy modeling. Furthermore, because clustering is performed in each individual feature, no transformation or normalization is required and more importantly, semantic meanings of the assigned linguistic labels are preserved.

ผลลัพธ์ (ไทย) 1:

พันธุกรรมโดยใช้อัลกอริทึมหยาบตั้ง Clustering (GARSC) เป็นเทคนิคระบบคลัสเตอร์ที่รวมขั้นตอนวิธีพันธุกรรมและหยาบชุดทฤษฎีเข้าด้วยกัน ขั้นตอนวิธีพันธุกรรมใช้กำหนดวิธีแก้ไขสภาพที่เหมาะสม หรือพอใจน้อย ทฤษฎีเซตหยาบเป็นส่วนประกอบเพื่อบรรเทาการสาปแช่งของปัญหา dimensionality [32], ซึ่งนำไปสู่เครือข่ายโดยไม่จำเป็นขนาดใหญ่ขนาดหลายข้อกำหนดระบบ อย่างมากลดลงฐานความรู้เดิม โดยใช้เพียงการตั้งค่าคร่าว ๆ ประมาณ โดยไม่สูญเสียข้อมูลที่จำเป็น ลักษณะนี้ยอดเยี่ยมของทฤษฎีเซตหยาบมากประโยชน์ปรับปรุง interpretability [33] ของกฎข้ออยู่พื้นฐาน เช่นลดจำนวนคุณลักษณะที่จำเป็นสำหรับการใช้เหตุผล หมายเลขของกฎการจ้างงาน และจำนวนของอาร์กิวเมนต์ที่ระบุในกฎแต่ละกฎได้ ดังนั้น ระบบการนำเสนอโดยรวมได้รับ interpretability ไม่ sacrificing ความแม่นยำในระดับสูง มีแสดงกระบวนการ GARSC โดยรวมใน Fig. 1 โปรดทราบว่า ถึงที่นี่กฎข้อกฎตัดสินใจคมชัด และเราจำเป็นต้องแปลงเป็นกฎที่ชัดเจน โดยการสร้างฟังก์ชันสมาชิกที่ชัดเจนตามคลัสเตอร์ผลลัพธ์และกำหนดเงื่อนไขภาษาศาสตร์เกี่ยวข้องชนิด Gaussian ในเวลาต่อมา กฎเอิบแปรรูปจะใช้ในการประเมินประสิทธิภาพการทำงานของโซลูชันปัจจุบัน กระบวนการถ่ายโอนความรู้นี้จะแสดงใน Fig. 2ไม่มีละเว้นกระบวนการนี้เฉพาะการโอนความรู้จากกรอบให้ชัดเจนเนื่องจาก crispness ของการแยกนำมาใช้ในทฤษฎีเซตหยาบไม่ทนกับไม่ซ้อน ฟังก์ชันสมาชิกที่ชัดเจนว่าจ้างถึงคลัสเตอร์ได้รับการจัดการกับข้อมูลของและสถานการณ์ที่ไม่คาดฝัน ชนิดของการถ่ายโอนความรู้ได้ประโยชน์มากเนื่องจากธรรมชาติป้องกันไม่ให้ฟังก์ชันสมาชิกที่ชัดเจนจากการซ้อนทับกัน หรือแยกมากเกินไปกับคนที่อยู่ติดกัน ซึ่งเป็นด้านสำคัญของ interpretability ในโมเดลเอิบ นอกจากนี้ เนื่องจากคลัสเตอร์เป็นดำเนินการในแต่ละคุณลักษณะแต่ละ ไม่มีการเปลี่ยนแปลงหรือฟื้นฟูต้องมี และที่สำคัญ รักษาความหมายความหมายของป้ายชื่อภาษาศาสตร์ที่กำหนด

ผลลัพธ์ (ไทย) 2:

อัลกอริทึมหยาบตามชุดการจัดกลุ่ม (GARSC) เป็นเทคนิคการจัดกลุ่มที่บูรณาการขั้นตอนวิธีทางพันธุกรรมและการตั้งทฤษฎีที่หยาบกร้านด้วยกัน ขั้นตอนวิธีทางพันธุกรรมถูกนำไปใช้ในการตรวจสอบที่ดีที่สุดหรืออย่างน้อยที่น่าพอใจการแก้ปัญหาที่ก่อให้เกิดผลลัพธ์ หยาบทฤษฎีเซตเป็นนิติบุคคลที่จัดตั้งเพื่อบรรเทาปัญหาการสาปแช่งของมิติ [32] ซึ่งนำไปสู่ขนาดใหญ่โดยไม่จำเป็นขนาดเครือข่ายหลายระบบการอนุมานที่จัดตั้งขึ้น โดยใช้การประมาณคร่าวๆชุดฐานความรู้เดิมที่ลดลงอย่างมากโดยไม่สูญเสียข้อมูลที่จำเป็น ลักษณะนี้ที่ยอดเยี่ยมของการตั้งทฤษฎีหยาบเป็นประโยชน์อย่างมากในการปรับปรุง interpretability [33] ของฐานกฎการอนุมานที่มีอยู่เช่นการลดจำนวนของคุณสมบัติที่จำเป็นสำหรับเหตุผลที่จำนวนของกฎที่ใช้และจำนวนของข้อโต้แย้งที่ระบุไว้ในแต่ละกฎ ดังนั้นระบบที่นำเสนอโดยรวมประสบความสำเร็จในระดับสูงของสายโดยไม่ต้อง interpretability sacri ความถูกต้อง Cing กระบวนการ GARSC โดยรวมจะแสดงในรูปที่ 1.
โปรดทราบว่านี่ถึงกฎการอนุมานกฎการตัดสินใจที่คมชัดและเราจำเป็นต้องเปลี่ยนพวกเขาเป็นกฎเลือนโดยการสร้างฟังก์ชั่นเสียนประเภทสมาชิกเลือนขึ้นอยู่กับผลการจัดกลุ่มและการกำหนดเงื่อนไขการใช้ภาษาที่สอดคล้องกัน ต่อมาเปลี่ยนกฎฟัซซี่จะใช้ในการประเมินผลการทำงานของการแก้ปัญหาในปัจจุบัน กระบวนการถ่ายโอนความรู้นี้จะแสดงในรูปที่ 2.
กระบวนการนี้โดยเฉพาะอย่างยิ่งของการถ่ายโอนความรู้จากกรอบที่จะเลือนไม่สามารถถูกมองข้ามเพราะกรอบของการแยกนำมาใช้ในการตั้งทฤษฎีหยาบไม่ทับซ้อนกันใจกว้าง ฟังก์ชั่นสมาชิกฝอยที่ถูกว่าจ้างให้เป็นตัวแทนของกลุ่มที่ได้รับการจัดการกับข้อมูลที่ไม่แน่นอนและสถานการณ์ไม่คาดฝัน ชนิดของการถ่ายโอนความรู้นี้มีข้อได้เปรียบที่ดีเพราะมันเป็นธรรมชาติป้องกันไม่ให้การทำงานของสมาชิกเลือนจากที่ทับซ้อนกันหรือแยกมากเกินไปกับคนที่อยู่ติดกันซึ่งเป็นอีกหนึ่งที่สำคัญของการสร้างแบบจำลองใน interpretability เลือน นอกจากนี้เนื่องจากการจัดกลุ่มจะดำเนินการในแต่ละคุณลักษณะของแต่ละบุคคลการเปลี่ยนแปลงหรือไม่มีการฟื้นฟูที่จำเป็นและสำคัญกว่าความหมายความหมายของป้ายภาษาที่ได้รับมอบหมายจะถูกเก็บไว้

ผลลัพธ์ (ไทย) 3:

ขั้นตอนวิธีทางพันธุกรรมโดยใช้ชุดข้อมูลหยาบ ( garsc ) เป็นเทคนิคที่รวมข้อมูลขั้นตอนวิธีทางพันธุกรรม และทฤษฎีรัฟเซตด้วยกัน ขั้นตอนวิธีทางพันธุกรรมที่ใช้เพื่อตรวจสอบที่ดีที่สุด หรืออย่างน้อยก็น่าพอใจ suboptimal โซลูชั่น ทฤษฎีรัฟเซตเป็นนิติบุคคลที่จัดตั้งขึ้นเพื่อบรรเทาคำสาปของ dimensionality ปัญหา [ 32 ]ซึ่งนำไปสู่การเป็นเครือข่ายขนาดใหญ่ ขนาดของการอนุมานหลายก่อตั้งระบบ โดยการประยุกต์ใช้การตั้งค่าหยาบ , ฐานความรู้เดิมจะลดลงอย่างมากโดยไม่สูญเสียข้อมูลที่จำเป็น ซึ่งลักษณะที่ยอดเยี่ยมของทฤษฎีเซตขรุขระเป็นอย่างมากที่เป็นประโยชน์ในการปรับปรุง interpretability [ 33 ] ที่มีอยู่การอนุมานกฎพื้นฐานคือลดจำนวนคุณสมบัติที่จำเป็นสำหรับเหตุผลที่จำนวนที่ใช้กฎ และจำนวนของอาร์กิวเมนต์ที่ระบุไว้ในแต่ละกฎ ดังนั้น โดยรวม ระบบที่เสนอบรรลุระดับสูงของ interpretability โดยไม่ซาคริจึง cing ความถูกต้อง กระบวนการ garsc โดยรวมจะแสดงในรูปที่ 1
โปรดทราบว่า ถึงตรงนี้ การอนุมานกฎเป็นกฎการตัดสินใจกรอบและเราต้องการที่จะแปลงให้เป็นกฎฟัซซี่โดยการสร้างฟังก์ชันแบบ Gaussian ประเภทสมาชิกตามการจัดกลุ่มผลลัพธ์และเงื่อนไขทางภาษาให้สอดคล้องกัน ต่อมาเปลี่ยนกฎฟัซซี่ที่ใช้ประเมินประสิทธิภาพของโซลูชั่นปัจจุบันการถ่ายทอดความรู้ กระบวนการนี้จะแสดงในรูปที่ 2 .
นี้โดยเฉพาะกระบวนการของการถ่ายโอนความรู้จากกรอบเลือนไม่สามารถละเว้น เพราะความกรอบของการประกาศใช้ในทฤษฎีเซตหยาบไม่ได้ใจกว้างที่ทับซ้อนกัน ฟังก์ชันสมาชิกฟัซซี เพื่อใช้เป็นตัวแทนของกลุ่มที่จัดการกับข้อมูลไม่ละเอียด และสถานการณ์ที่ไม่คาดคิด .ชนิดนี้ของการถ่ายโอนความรู้ที่มีประโยชน์มากเพราะมันเป็นธรรมชาติป้องกันฟังก์ชันสมาชิกเลือนจากที่ทับซ้อนกันหรือแยกมากเกินไปกับคนที่อยู่ติดกัน ซึ่งเป็นอีกแง่มุมที่สำคัญของ interpretability ในการสร้างแบบจำลองฟัซซี นอกจากนี้ เนื่องจากข้อมูลจะดำเนินการในแต่ละคุณลักษณะของบุคคล ไม่มีการเปลี่ยนแปลง หรือ ความ ถูก ต้อง และ ที่สำคัญความหมายความหมายของภาษากำหนดป้ายชื่อจะถูกรักษาไว้