Abstract
В настоящей работе предложено теоретическое обоснование и практическая реализация в виде алгоритма модификации переменнозначных логических функций при добавлении новых продукционных правил в уже сформированный (в рамках исходной предметной области) логический классификатор. Предложенный алгоритм основан на применении метода конструктивного преобразования переменнозначных логических классификаторов, построенных на основе системы продукционных правил, закодированных при помощи переменнозначных предикатов. Исследованы свойства изменения структур продукционных дизъюнктов и дизъюнктов свободных знаний в процессе добавления новых продукционных правил. Выявлены условия при которых эти дизъюнкты гарантировано обращаются в логический ноль, или остаются в неизменном виде. Учет в предлагаемом алгоритме этих условий позволяет снизить количество выполняемых логических операций и обеспечить снижение вычислительных затрат для выполнения требуемых преобразований.
This paper proposes a theoretical justification and practical implementation in the form of an algorithm for modifying variable-valued unions of functions when adding new production rules to an already formed (within the original subject area) union classifier. The proposed algorithm is based on the application of the method of constructive transformation of variable-valued relationships of classifiers built on the basis of a system of production rules encoded using variable-valued predicates. The properties of changing the structure of production clauses and knowledge development clauses in the process of adding new production rules are studied. Conditions are found under which these clauses are guaranteed to vanish in the connection, or are in a constant form. Taking into account the conditions in the proposed algorithm makes it possible to reduce the number of necessary operations and reduce the computational costs for the required transformations
Publisher
Institute of Cosmophysical Research and Radio Wave Propagation Far Eastern Branch of the Russian Academy of Sciences
Reference22 articles.
1. Хайкин С. Нейронные сети: полный курс. М.: Издательский дом Вильямс, 2008. 1103 с.
2. Шибзухов З. М. Конструктивные методы обучения нейронных сетей. М.: Наука, 2006. 159 с.
3. Riazanov V. V., Sen’ko O. V., Zhuravlev Y. I. Mathematical methods for pattern recognition: logic, optimization, algebraic approaches, Proceedings. Fourteenth International Conference on Pattern Recognition, 1998. vol. 1, pp. 831–834, DOI: 10.1109/ICPR.1998.711278.
4. Uddin M. F., Rizvi S., Razaque A. Proposing Logical Table Constructs for Enhanced Machine Learning Process, in IEEE Access, 2018. vol. 6, pp. 47751–47769, DOI: 10.1109/ACCESS.2018.2866046.
5. Sathe J. B., Mali M.P.A hybrid Sentiment Classification method using Neural Network and Fuzzy Logic, 2017 11th International Conference on Intelligent Systems and Control (ISCO), 2017, pp. 93–96, DOI: 10.1109/ISCO.2017.7855960.