An interpretability improvement for fuzzy rule bases obtained by the iterative rule learning approach

تعامل پذیری یکی از مفاهیم کلیدی در بسیاری از برنامه های کاربردی با استفاده از رویکرد مبتنی بر قاعده فازی است. به خوبی شناخته شده است که در این مفهوم معیارهای مختلفی وجود دارد، پیچیدگی یکی از آنهاست. در این مقاله، تلاش های ما در کاهش پیچیدگی مجموعه قوانین فازی تمرکز می کنیم. یکی از روشهای جالب توجه برای یادگیری قوانین فازی، روش یادگیری قوانین تکراری است. این امر به طور عمده با به دست آوردن قوانین پوشش چند نمونه در مراحل نهایی، که در بیشتر موارد بی فایده است برای نشان دادن دانش. این رفتار به دلیل خاصیت قوانین استخراج شده است که در نهایت مجموعه قوانینی پیچیده تر را ایجاد می کند. بنابراین، ما یک نسخه اصلاح شده از الگوریتم یادگیری قوانین تکراری را پیشنهاد می کنیم تا قوانین ساده ای را که این روند طبیعی را آرام کرده است استخراج کنیم. ایده اصلی این است که فرایند استخراج قانون را تغییر دهید تا بتوانید قوانین کلیتری را به دست آورید، با استفاده از فضاهای جستجوی فشرده با یک طرح ساده سازی دانش که می تواند جایگزین قوانین آماری شود. نتایج تجربی ثابت می کند که این هدف به دست آمده است. پیشنهاد جدید پیچیدگی را در سطوح پایه هر قاعده و قاعده کاهش می دهد، حفظ دقت در مورد نسخه های قبلی الگوریتم.