Optimal Design of Fuzzy Relation-based Fuzzy Inference Systems with Information Granulation

Abstract

본 연구에서는 복잡하고 비선형 시스템을 모델 동정하기 위해 정보 granules에 기반한 퍼지 추론 시스템의 새로운 범주를 소개한다. 비공식적으로 말하면, 정보 granules는 근접성, 유사성 또는 기능성 등에 인하여 서로 결합되는 대상(특히, 수치 데이터)의 연결된 모임으로 간주된다. HCM 클러스터링에 의한 정보 granulation은 퍼지 규칙의 전반부 및 후반부에서 사용되는 멤버쉽 함수의 포기 정점과 다항식함수의 초기 값과 같은 퍼지 모델의 초기 파라미터를 결정하는데 도움을 준다. 그리고 포기 파라미터는 유전자 알고리즘과 최소자승법에 의해 효과적으로 동조된다. 또한, 퍼지 모델의 성능사이의 상호균형을 얻기 위하여 하중값을 가진 합성 목적함수를 사용하여 근사화와 예측성능의 향상을 꾀한다. 제안된 모델은 수치적인 예제를 가지고 평가하고, 문헌에서 나타난 기존의 퍼지 모델의 성능과 대조된다. In this study, we introduce a new category of fuzzy inference systems based on information granulation to carry out the model identification of complex and nonlinear systems. Informally speaking, information granules are viewed as linked collections of objects (data, in particular) drawn together by the criteria of proximity, similarity, or functionality Granulation of information with the aid of Hard C-Means (HCM) clustering help determine the initial parameters of fuzzy model such as the initial apexes of the membership functions and the initial values of polynomial functions being used in the premise and consequence part of the fuzzy rules. And the initial parameters are tuned effectively with the aid of the genetic algorithms(GAs) and the least square method (LSM). An aggregate objective function with a weighting factor is also used in order to achieve a balance between performance of the fuzzy model. The proposed model is evaluated with using a numerical example and is contrasted with the performance of conventional fuzzy models in the literature.