Towards Efficient Fuzzy Information Processing: Using the Principle of Information Diffusion

وقتی از کتاب‌ها یا تجربیات روزانه یاد می‌گیریم، بر اساس اطلاعاتی که برای درک کافی نیست، تداعی می‌کنیم و استنتاج می‌کنیم. یک نمونه از اطلاعات ناکافی ممکن است نمونه کوچکی باشد که از مشاهده آزمایشات به دست آمده است. با این دیدگاه، نیاز به توسعه درک بهتر از رفتار یک نمونه کوچک مشکلی را ارائه می‌کند که بسیار فراتر از اهمیت دانشگاهی است. در طول 15 سال گذشته پیشرفت قابل توجهی در مطالعه این موضوع در چین حاصل شده است. یکی از نتایج متمایز اصل انتشار در تشکیل است. بر اساس این اصل، می توان تا حدی شکاف های ناشی از اطلاعات ناقص را با تغییر مشاهدات واضح به مجموعه های فازی پر کرد تا بتوان شناخت روابط بین ورودی و خروجی را بهبود بخشید. اثبات شده است که اصل انتشار اطلاعات برای تخمین تابع چگالی احتمال موفق است. بسیاری از برنامه های کاربردی موفق منعکس کننده مزایای این رویکرد جدید هستند. همچنین این استدلال را پشتیبانی می‌کند که نظریه مجموعه‌های فازی را می‌توان نه تنها در علم \"نرم\" که در آن تعدیل ذهنی لازم است، بلکه در علم \"سخت\" که در آن همه داده‌ها ثبت می‌شود استفاده کرد.

When we learn from books or daily experience, we make associations and draw inferences on the basis of information that is insufficient for under­ standing. One example of insufficient information may be a small sample derived from observing experiments. With this perspective, the need for de­ veloping a better understanding of the behavior of a small sample presents a problem that is far beyond purely academic importance. During the past 15 years considerable progress has been achieved in the study of this issue in China. One distinguished result is the principle of in­ formation diffusion. According to this principle, it is possible to partly fill gaps caused by incomplete information by changing crisp observations into fuzzy sets so that one can improve the recognition of relationships between input and output. The principle of information diffusion has been proven suc­ cessful for the estimation of a probability density function. Many successful applications reflect the advantages of this new approach. It also supports an argument that fuzzy set theory can be used not only in "soft" science where some subjective adjustment is necessary, but also in "hard" science where all data are recorded.