Accuracy Improvements in Linguistic Fuzzy Modeling

مدلسازی فازی معمولاً با دو الزام متناقض همراه است: تفسیرپذیری، که توانایی بیان رفتار واقعی سیستم به روشی قابل درک است، و دقت، که توانایی نمایش صادقانه سیستم واقعی است. در این چارچوب، یکی از مهم‌ترین حوزه‌ها، مدل‌سازی فازی زبانی است که خوانایی مدل به‌دست‌آمده، هدف اصلی است. این وظیفه معمولاً با استفاده از سیستم‌های مبتنی بر قواعد فازی زبانی (ممدانی) توسعه می‌یابد. یک منطقه تحقیقاتی فعال به سمت استفاده از تکنیک‌ها و ساختارهای جدید برای گسترش مدل‌سازی فازی زبانی کلاسیک و صلب با هدف اصلی افزایش درجه دقت آن گرایش دارد. به طور سنتی، این بهبود دقت بدون در نظر گرفتن از دست دادن قابلیت تفسیر مربوطه انجام شده است. در حال حاضر، روندهای جدیدی برای حفظ قدرت توصیف مدل فازی زبانی در طول فرآیند بهینه‌سازی پیشنهاد شده‌اند. این جلد که توسط متخصصان برجسته در این زمینه نوشته شده است، برخی از محققین نماینده را جمع آوری می کند که این رویکرد را دنبال می کنند.

Fuzzy modeling usually comes with two contradictory requirements: interpretability, which is the capability to express the real system behavior in a comprehensible way, and accuracy, which is the capability to faithfully represent the real system. In this framework, one of the most important areas is linguistic fuzzy modeling, where the legibility of the obtained model is the main objective. This task is usually developed by means of linguistic (Mamdani) fuzzy rule-based systems. An active research area is oriented towards the use of new techniques and structures to extend the classical, rigid linguistic fuzzy modeling with the main aim of increasing its precision degree. Traditionally, this accuracy improvement has been carried out without considering the corresponding interpretability loss. Currently, new trends have been proposed trying to preserve the linguistic fuzzy model description power during the optimization process. Written by leading experts in the field, this volume collects some representative researcher that pursue this approach.