Induction of accurate and interpretable fuzzy rules from preliminary crisp representation

این مقاله یک رویکرد جدید برای ایجاد سیستم های مبتنی بر شفاف دانش با تولید قوانین فازی دقیق و قابل تفسیر پیشنهاد می کند. مکانیزم یادگیری گزارش شده در این زمینه، قوانین فازی را با استفاده از برچسب های فازی پیش از تعریف، که نشان دهنده نشانه های تجویزی و تخصص دامنه است، به دست می دهد و از این طریق شفافیت در مدل دانش را برای حل مسئله اتخاذ می کند. آن را با نقشه برداری از هر قاعده تولید دقیق تولید شده در پایه دانش بر روی مجموعه ای از قواعد فازی مفید بالقوه کار می کند که به عنوان یک گام اولیه به سوی یک تکنیک بصری برای تعمیم قواعد مبتنی بر شباهت عمل می کند. این یک روش است که به صورت محلی یک زیر مجموعه جمع و جور از قوانین فازی در حال ظهور را انتخاب می کند، به طوری که زیرمجموعه ای که به طور کلی اصل قاعده اساسی اصلی را تعریف می کند. نتیجه این روش محلی، ورودی به یک فرآیند جستجو ژنتیک جهانی است که تلاش می کند تا در میان دقت و پیچیدگی پایه قاعده فازی ناشی شده در حالی که حفظ شفافیت است، تلاش کند. نتایج تجربی سیستماتیک برای نشان دادن اینکه دانش پایه فازی ناشی از عملکرد بالا و تفسیرپذیری است ارائه شده است.