Notice: Undefined index: linkPowrot in C:\wwwroot\wwwroot\publikacje\publikacje.php on line 1275
Publikacje
Pomoc (F2)
[64320] Artykuł:

Application of Fuzzy Cognitive Maps with Evolutionary Learning Algorithm to Model Decision Support Systems Based on Real-Life and Historical Data

Czasopismo: Workshop on Computational Optimization   Tom: 717, Strony: 153-175
ISSN:  1860-9503
ISBN:  978-3-319-59861-1
Wydawca:  SPRINGER-VERLAG BERLIN, HEIDELBERGER PLATZ 3, D-14197 BERLIN, GERMANY
Opublikowano: 2018
Seria wydawnicza:  Studies in Computational Intelligence
 
  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
Katarzyna Poczęta orcid logo WEAiIKatedra Systemów Informatycznych *Takzaliczony do "N"Automatyka, elektronika, elektrotechnika i technologie kosmiczne256.67.00  
Łukasz Kubuś orcid logo WEAiIKatedra Systemów Informatycznych *Niespoza "N" jednostkiAutomatyka, elektronika, elektrotechnika i technologie kosmiczne256.67.00  
Aleksander Iwanowicz Jastriebow orcid logo WEAiIKatedra Systemów Informatycznych *Takzaliczony do "N"Automatyka, elektronika, elektrotechnika i technologie kosmiczne256.67.00  
Elpiniki I. Papageorgiou Niespoza "N" jednostki25.00.00  

Grupa MNiSW:  Konferencja Informatyczna
Punkty MNiSW: 20
Klasyfikacja Web of Science: Proceedings Paper


Pełny tekstPełny tekst     DOI LogoDOI     Web of Science Logo Web of Science    


Abstract:

Fuzzy cognitive map (FCM) is a universal tool for modeling dynamic decision support systems. It can be constructed by the experts or learned based on historical data. FCM models learned from data are denser than those created by humans. We developed an evolutionary learning approach for fuzzy cognitive maps based on density and system performance indicators. It allows to select only the most significant connections between concepts and receive the structure more similar to the FCMs initialized by experts. This paper is devoted to the application of the developed approach to model decision support systems with the use of real-life and historical data.