ISSN 2071-8594

Российская академия наук

Главный редактор

Академик С. В. Емельянов

И.А. Ходашинский, М.Б. Бардамова, В.С. Ковалев "Отбор признаков и построение нечеткого классификатора на основе алгоритма прыгающих лягушек"

Аннотация.

В работе рассматривается подход к проектированию классификаторов на основе нечетких правил. Для оптимизации параметров классификаторов применен непрерывный алгоритм прыгающих лягушек. На множестве построенных классификаторов производится выбор оптимального классификатора относительно точности и количества используемых признаков с помощью статистического информационного критерия Акаике. Эффективность предложенного подхода проверяется тестированием на наборах данных KEEL. Полученные данные сравниваются с результатами работы алгоритмов-аналогов. Предложенный в статье новый подход к проектированию нечетких классификаторов позволяет уменьшить число правил и признаков, тем самым повысить интерпретируемость результатов классификации.

Ключевые слова:

нечеткий классификатор, оптимизация параметров, отбор признаков, алгоритм прыгающих лягушек.

Стр. 76-84.

Литература

1. Guillaume S. Designing fuzzy inference systems from data: An interpretability-oriented review / S. Guillaume // IEEE Transactions on Fuzzy Systems. - 2001. - Vol. 9(3). - P. 426-443.
2. Ducange P. Multi-objective genetic fuzzy classifiers for imbalanced and cost-sensitive datasets / P. Ducange, B. Lazzerini, F. Marcelloni // Soft. Comput. - 2010. - Vol. 14. - P. 713-728.
3. Pota M. Designing rule-based fuzzy systems for classification in medicine / M. Pota, M. Esposito, G. D. Pietro // Knowl.-Based Syst. - 2017. - Vol. 124. - P. 105-132.
4. Jamalabadi H. Competitive interaction reasoning: A bioinspired reasoning method for fuzzy rule based classification systems / H. Jamalabadi, H. Nasrollahi, S. Alizadeh, B.N. Araabi, M.N. Ahamadabadi // Information Sciences. - 2016. - Vol. 352-353. - P. 35-47.
5. Salcedo-Sanz S. Modern meta-heuristics based on nonlinear physics processes: A review of models and design procedures / S. Salcedo-Sanz // Physics Reports. - 2016. - Vol. 655. - P. 1-70.
6. Meli P. Optimal design of fuzzy classification systems using PSO with dynamic parameter adaptation through fuzzy logic / P. Melin, F. Olivas, O. Castillo, F. Valdez, J. Soria, M. Valdez // Expert Systems with Applications. - 2013. - Vol. 40(8). - P. 3196-3206.
7. Lahsasna A. An improved genetic-fuzzy system for classification and data analysis / A. Lahsasna, W. C. Seng // Expert Systems With Applications. - 2017. - Vol. 83. - P. 49-62.
8. Мех М.А. Сравнительный анализ применения методов дифференциальной эволюции для оптимизации параметров нечетких классификаторов // Известия Российской академии наук. Теория и системы управления. - 2017. - № 4. - С. 65-75.
9. Ходашинский И.А. Построение нечеткого классификатора на основе методов гармонического поиска // Программирование. - 2017. - № 1. - С. 54-65.
10. Ходашинский И.А. Алгоритмы муравьиной и пчелиной колонии для обучения нечетких систем // Доклады ТУСУР. - 2009.- № 2 (20). - С. 157-161.
11. Eusuff M. M. Optimization of water distribution network design using the shuffled frog leaping algorithm / M. M. Eusuff, K.E. Lansey // J. Water Resour. Plann. Manag. - 2003.- Vol.129.- P. 210-225.
12. Eusuff M. M. Shuffled frog-leaping algorithm: a memetic meta heuristic for discrete optimization // Engineering Optimization. - 2006. - Vol. 38(2). - P. 129-154.
13. Wang L. Diversity Analysis of Population in Shuffled Frog Leaping Algorithm / L. Wang, Y. Gong // Y. Tan, Y. Shi, and H. Mo (Eds.): ICSI 2013, Part I, LNCS 7928. - Springer, 2013. - P. 24-31.
14. Nguyen D.-H. Comparing Convergence of PSO and SFLA Optimization Algorithms in Tuning Parameters of Fuzzy Logic Controller / D.-H. Nguyen, M.-D. Ngo // Lecture Notes in Electrical Engineering, 371. - Springer, 2016. - P. 457-467.
15. Wu F.L. Mixed kernel twin support vector machines based on the shuffled frog leaping algorithm / F.L. Wu, S.F. Ding, H.J. Huang, Z.B. Zhu // J. Comput. - 2014. - Vol. 9(4). P. 947-955.
16. Zhang X. Multi-class LSTMSVM based on optimal directed acyclic graph and shuffled frog leaping algorithm / X. Zhang, S. Ding, T.Sun // Int. J. Mach. Learn. & Cyber. - 2016. - Vol. 7. - P. 241-251.
17. Zhao Z. Improved shuffled frog leaping algorithm-based BP neural network and its application in bearing early fault diagnosis / Z. Zhao, Q. Xu, M. Jia // Neural Comput. & Applic. - 2016. - Vol. 27. - P. 375-385.
18. Bolon-Canedo V. Feature Selection for High-Dimensional Data / V. Bolon-Canedo, N. Sanchez-Marono, A. Alonso- Betanzos // Springer, 2015.
19. Vakil Baghmisheh M.T. A discrete shuffled frog optimization algorithm/ M.T. Vakil Baghmisheh, K. Madani, A. Navarbaf // Artif. Intell. Rev. - 2011. Vol. 36. - P. 267-284.
20. Kennedy J. A discrete binary version of the particle swarm algorithm / J. Kennedy, R. C. Eberhart // Proceeding of the IEEE International Conference on System, Man, and Cybernetics. - IEEE, 1997. - P. 4104–4109.
21. Yen J. Application of Statistical Information Criteria for Optimal Fuzzy Model Construction / J. Yen // IEEE Transaction on Fuzzy Systems. - 1998. - Vol. 6. - P. 362-372.
22. Ходашинский, И.А. Построение компактных и точных нечетких моделей на основе статистических информационных критериев // Информатика и системы управления. - 2014. - № 1(39). - С. 99-107.
23. Fazzolari F. A multi-objective evolutionary method for learning granularities based on fuzzy discretization to improve the accuracy-complexity trade-off of fuzzy rulebased classification systems: D-MOFARC algorithm / F. Fazzolari, R. Alcala, F. Herrera // Applied Soft Computing. - 2014. - Vol. 24. - P. 470-481.