Синтез нейро-нечетких сетей с ранжированием и специфическим кодированием признаков для диагностики и автоматической классификации по прецедентам

Abstract

RU: Решена задача автоматизации синтеза нейро-нечетких сетей для диагностирования и автоматической классификации по признакам. Предложен метод синтеза нейро-нечетких моделей по прецедентам, который определяет оценки взаимосвязи входных признаков, выделяет взаимосвязанные признаки, оценивает влияние признаков на выходной признак, а также выявляет взаимосвязанные термы, включает в модель наиболее важные признаки и термы, устраняет дубляж термов и признаков, использует различные варианты кодирования сигналов, а также переупорядочивает признаки, обеспечивая группировку признаков, формирует правила для прецедентов ранее не встречавшихся классов или существенно отличающихся от имеющихся правил своего класса, а уже имеющиеся правила корректирует на основе поступающих прецедентов с учетом числа ранее рассмотренных наблюдений. Предложенный метод позволяет существенно ускорить синтез нейро-нечетких моделей, обеспечивая приемлемую точность и более высокий уровень обобщения данных, снизить сложность и избыточность, а также повысить интерпретабельность нейромодели. Проведены эксперименты по решению практических задач диагностирования и автоматической классификации, подтвердившие работоспособность и применимость предложенного метода. Получена зависимость ошибки модели, синтезированной предложенным методом, от заданной разрядности признаков. Использование полученной зависимости позволяет на практике более рационально выбирать значение числа интервалов разбиения диапазонов значений признаков, обеспечивая приемлемую точность нейромодели. UK: Вирішено задачу автоматизації синтезу нейро-нечітких мереж для діагностування й автоматичної класифікації за ознаками. Запропоновано метод синтезу нейро-нечітких моделей за прецедентами, що визначає оцінки взаємозв’язку вхідних ознак, виділяє взаємозалежні ознаки, оцінює вплив ознак на вихідну ознаку, а також виявляє взаємозалежні терми, включає в модель найбільш важливі ознаки і терми, усуває дубляж термів і ознак, використовує різні варіанти кодування сигналів, а також переупорядковує ознаки, забезпечуючи групування ознак, формує правила для прецедентів класів, що раніше не зустрічалися, або таких, що істотно відрізняються від наявних правил свого класу, а уже наявні правила коректує на основі прецедентів, що надходять, з урахуванням числа раніше розглянутих спостережень. Запропонований метод дозволяє істотно прискорити синтез нейро-нечітких моделей, забезпечуючи прийнятну точність і більш високий рівень узагальнення даних, знизити складність і надмірність, а також підвищити інтерпретабельність нейромоделі. Проведено експерименти з вирішення практичних задач діагностування й автоматичної класифікації, що підтвердили працездатність і застосовність запропонованого методу. Отримано залежність помилки моделі, синтезованої запропонованим методом, від заданої розрядності ознак. Використання отриманої залежності дозволяє на практиці більш раціонально вибирати значення кількості інтервалів розбиття діапазонів значень ознак, забезпечуючи прийнятну точність нейромоделі. EN: The problem of automation synthesis of neuro-fuzzy networks for diagnostics and automatic classification on features is solved. The method of neuro-fuzzy model synthesis on precedents is proposed. It evaluates the relationship of input features, extracts related features, evaluates the impact of features on the output feature and identify related terms, includes the most important features and terms in the model, eliminates dubbing of the terms and features, uses different types of signal encoding, and also arranges features providing their grouping, forms a rules for precedents of previously non-experienced classes or significantly different from the existing rules of their class, adjust the existing rules based on incoming precedents, given the number previously considered observations. The proposed method allows to significantly accelerate the synthesis of neuro-fuzzy models, providing acceptable accuracy and a higher level of generalization of data, reduce complexity and redundancy, as well as increase of interpretability of neural model. The experiments on solution of practical problems of diagnosis and automatic classification are conducted. They confirmed the efficiency and applicability of the proposed method. The dependence of error of the model synthesized by the proposed method from the specified feature bitness is obtained. Using the obtained dependence allows to more rational choose the value of the number of divisions of the range of feature values in practice providing a reasonably accurate neural model.