Notice: Undefined index: linkPowrot in C:\wwwroot\wwwroot\publikacje\publikacje.php on line 1275
Strona główna > Publikacje
Publikacje
Pomoc (F2)
[63250] Artykuł:

Remarks on the Uncertainty Expansion Problem in Calculations of Models of Relational Fuzzy Cognitive Maps

(Problem interpretacji wyników działań arytmetyki rozmytej w modelach Relacyjnych Rozmytych Map Kognitywnych)
Czasopismo: IEEE International Conference on Fuzzy Systems   Strony: 913-920
ISSN:  1098-7584
ISBN:  978-1-5090-6034-4
Wydawca:  IEEE, 345 E 47TH ST, NEW YORK, NY 10017 USA
Opublikowano: Lipiec 2017
Seria wydawnicza:  IEEE International Conference on Fuzzy Systems
Liczba arkuszy wydawniczych:  0.30
 
  Autorzy / Redaktorzy / Twórcy
Imię i nazwisko Wydział Katedra Do oświadczenia
nr 3		 Grupa
przynależności		 Dyscyplina
naukowa		 Procent
udziału		 Liczba
punktów
do oceny pracownika		 Liczba
punktów wg
kryteriów ewaluacji
Grzegorz Słoń orcid logo WEAiIKatedra Systemów Informatycznych *Niespoza "N" jednostkiAutomatyka, elektronika, elektrotechnika i technologie kosmiczne5070.00.00  
Aleksander Iwanowicz Jastriebow orcid logo WEAiIKatedra Systemów Informatycznych *Takzaliczony do "N"Automatyka, elektronika, elektrotechnika i technologie kosmiczne5070.00.00  

Grupa MNiSW:  Konferencja Informatyczna
Punkty MNiSW: 140
Klasyfikacja Web of Science: Proceedings Paper

Pełny tekstPełny tekst     DOI LogoDOI     Web of Science Logo Web of Science    
Słowa kluczowe:

Model inteligentny  Rozmyta mapa kognitywna  Arytmetyka liczb rozmytych 

Keywords:

Intelligent model  Fuzzy Cognitive Map  Arithmetic of fuzzy numbers 


Streszczenie:

W modelowaniu niepewnych i nieprecyzyjnych systemów często stosuje się podejście inteligentne, oparte o wykorzystanie tzw. Rozmytych Map Kognitywnych (FCM). Aby model tego rodzaju działał efektywnie, poddaje się go uczeniu jedną z technik, opisanych w literaturze. Większość takich technik polega na zastąpieniu rozmytych wielkości, występujących w modelu, wielkościami ostrymi (liczbami rzeczywistymi), a następnie adaptacji tak uzyskanych wartości przy użyciu populacyjnych metod uczenia. Takie postępowanie przekształca model rozmyty w model ostry (przynajmniej na czas uczenia), co może być problemem w systemach z niepewnością. W artykule zaproponowano rozwiązanie tego problemu, polegające na wykorzystaniu liczb rozmytych i relacji rozmytych, co wymaga nowego spojrzenia na interpretację wyników operacji arytmetycznych na liczbach rozmytych. Wprowadzono mechanizmy, pozwalające zniwelować negatywne skutki deformacji nośnika, wprowadzanych przez takie operacje arytmetyczne, dzięki czemu możliwe jest stosowanie odpowiednich technik uczenia. Zastosowanie proponowanego podejścia umożliwia zachowanie rozmytego charakteru modelu na każdym etapie jego funkcjonowania. Przedstawiono wyniki badań symulacyjnych dla różnych wariantów proponowanej metody działania.



Abstract:

During the modeling of uncertain and imprecise systems, the intelligent approach, based on the use of so-called Fuzzy Cognitive Maps (FCM) is often used. Constructors of the FCM models usually use a technique, in which fuzzy quantities are converted to their crisp equivalents (e.g. in a model learning phase). Such a procedure converts the fuzzy model in a crisp model, which may be a problem in systems with uncertainty. This risk can be avoided by building a model based on fuzzy numbers, fuzzy relations and fuzzy arithmetic operations, but then the new problem – of technical nature – arises, related to the specifics of operations on fuzzy numbers – manifested in the support deformations. The paper proposes a solution to this problem, consisting in a new look at the interpretation of the results of arithmetic operations on fuzzy numbers. New mechanism, that allows overcoming the negative effects of such deformations, is presented. The use of the proposed approach enables maintaining the fuzzy nature of the model at each stage of its operation. The results of simulations for different variants of the proposed method are also shown.


B   I   B   L   I   O   G   R   A   F   I   A
[1] A. P. Anninou, P. P. Groumpos and P. Panagiotis, Modeling Health Diseases Using Competitive Fuzzy Cognitive Maps. In: Artificial Intelligence Applications and Innovations, Volume 412 of the series IFIP Advances in Information and Communication Technology, Springer 2013, pp. 88-95.
[2] V. V. Borisov, V. V. Kruglov and A. C. Fedulov, Fuzzy Models and Networks. Publishing house Telekom, Moscow, Russia, 2004 (in
Russian).
[3] J. A. Dickerson and B. Kosko, Virtual Worlds as Fuzzy Cognitive Maps.
Presence, vol. 3, no. 2, 1999, pp. 173-189.
[4] M. F. Dodurka, E. Yesil and L. Urbas, Analysis of Fuzzy Cognitive Maps from Ambiguity and Fuzziness Perspective. Budapest, Hungary: In: 17th IEEE International Symposium on Computational Intelligence and Informatics (CINTI), 2016, pp. 265-270.
[5] W. Froelich and E. I. Papageorgiou, Extended Evolutionary Learning of Fuzzy Cognitive Maps for the Prediction of Multivariate Time-Series. In: Fuzzy Cognitive Maps for Applied Sciences and Engineering, Volume 54 of the series Intelligent Systems Reference Library, Springer 2013, pp. 121-131.
[6] M. Hagiwara, Extended Fuzzy Cognitive Maps. San Diego, CA: In: IEEE International Conference on Fuzzy Systems, 1992, pp. 795-801.
[7] P. Hajek and O. Prochazka, Interval-Valued Fuzzy Cognitive Maps for Supporting Business Decisions. In: Proc. of 2016 IEEE International Conference on Fuzzy Systems (FUZZ), pp. 531-536.
[8] A. Jastriebow, K. Piotrowska and G. Słon,´ Algorithm of Building the Intelligent Models Based on Relational Cognitive Maps. Radom, Poland: In.: Computers Technologies in Science, Technology and Education. Institute for Sustainable Technologies - National Research Institute, 2012, pp. 138-151.
[9] A. Kaufmann and M. M. Gupta, Introduction to Fuzzy Mathematics Theory and Applications. New York, USA: Van Nostrand Reinhold, 1985.
[10] B. Kosko, Fuzzy cognitive maps. In: Int. Journal of Man-Machine Studies, vol. 24, 1986, pp. 65-75.
[11] V. Kreynovich and C. D. Stylios, Why Fuzzy Cognitive Maps Are Efficient. In: International Journal of Computer Communications &
Control. Special Issue on Fuzzy Sets and Applications, Vol. 10, Issue 6, CCC Publications - Agora University Editing House, 2015, pp. 825834.
[12] Ł. Kubus, A. Yastrebov and K. Poczeta,´ A New Learning Approach for Fuzzy Cognitive Maps Based on System Performance Indicators. In: 2016 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), Vancouver, BC, 2016, pp. 1398-1404.
[13] M. Len, B. Depaire and K. Vanhoof, Fuzzy Cognitive Maps with Rough Concepts. In: Artificial Intelligence Applications and Innovations, Volume 412 of the series IFIP Advances in Information and Communication Technology, Springer 2013, pp.: 527-536.
[14] E. I. Papageorgiou and D. K. Iakovidis, Intuitionistic Fuzzy Cognitive Maps. In: IEEE Transactions on Fuzzy Systems, Vol. 21, No. 2, April 2013, pp. 342-354.
[15] E. I. Papageorgiou and K. Poczeta, Application of Fuzzy Cognitive Maps to Electricity Consumption Prediction. In: Fuzzy Information Processing Society (NAFIPS) held jointly with 2015 5th World Conference on Soft Computing (WConSC), 2015 Annual Conference of the North American, pp. 1-6.
[16] E. I. Papageorgiou and J. L. Salmeron, A Review of Fuzzy Cognitive Maps Research During the Last Decade. In: IEEE Transactions On Fuzzy Systems, Vol. 21, No. 1, February 2013, pp. 66-79.
[17] W. Pedrycz and W. Homenda, From Fuzzy Cognitive Maps to Granular Cognitive Maps. In: IEEE Transactions on Fuzzy Systems, Vol. 22, No. 4, August 2014, pp. 859-869.
[18] K. Poczeta, A. Yastrebov and E. I. Papageorgiou, Learning Fuzzy Cognitive Maps using Structure Optimization Genetic Algorithm. In: Proc. of the Federated Conference on Computer Science and Information Systems, 2015, pp. 547-554.
[19] A. Sahin, T. Kumbasar, E. Yesil, M. F. Dodurka and O. Karasakal, An Approach to Represent Time Series Forecasting via Fuzzy Numbers. In: Proc. of 2014 Second International Conference on Artificial Intelligence, Modelling and Simulation, IEEE Xplore 2014, pp. 51-56.
[20] G. Słon,´ Relational Fuzzy Cognitive Maps in the Modeling of Complex Systems. Kielce: Poland, Kielce University of Technology Editing House, 2013 – in Polish.
[21] G. Słon and A. Yastrebov,´ Optimization and Adaptation of Dynamic Models of Fuzzy Relational Cognitive Maps. Berlin Heidelberg: Springer-Verlag, In: Kuznetsov S.O. et al. (Eds.): RSFDGrC 2011, Lecture Notes in Artificial Intelligence 6743, 2011, pp. 95-102.
[22] A. Yastrebov, K. Poczeta, Analysis of Fuzzy Cognitive Maps with Multi-Step Learning Algorithms in Valuation of Owner-Occupied Homes. Beijing, China: 2014 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2014, pp. 1029-1035.
[23] E. Yesil, M. F. Dodurka and L. Urbas, Triangular Fuzzy Number Representation of Relations in Fuzzy Cognitive Maps. Beijing, China: In: 2014 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2014, pp. 1021-1028.

POWRÓT
Strona główna > Publikacje