Butir maklumat perlu diterjemahkan kepada kerangka kerja bererti dalam pengkomputeran berbutir untuk merealisasikan keseimbangan kebolehtafsiran-kejituan. Kedua-dua objektif adalah dalam konflik dan menjadi satu masalah. Butir maklumat berkembang adalah satu konsep bererti dalam pengkomputeran berbutir yang mempertimbangkan sekatan kasar (atau butir halus iaitu ralat lebih tinggi) kepada sekatan halus (atau butir kasar iaitu ralat lebih rendah). Walaupun kerangka kerja pengurangan ralat berbutir dipertimbangkan, kekangan kebolehtafsiran adalah faktor yang parlu dipertimbangkan dalam meningkatkan keseimbangan antara kebolehtafsiran dan kejituan. Selain itu, ciri-ciri terlebih-padanan dan terkurang-padanan adalah penting untuk dipertimbangkan semasa proses perkembangan. Keseimbangan kestabilan-keplastikan juga merupakan pertimbangan utama lain dalam mereka bentuk kerangka kerja berbutir supaya dapat menghasilkan kaedah butir maklumat fuzi yang konsisten dan terkini. Satu kerangka kerja operasi baru yang dinamakan sistem fuzi berkembang (EFS) telah dibangunkan dalam penyelidikan ini yang bertujuan untuk memastikan kompromi antara kebolehtafsiran dan kejituan. Tiga model telah direka berdasarkan EFS yang dinamakan sebagai sistem fuzi struktur berkembang (ESFS), sistem fuzi keluaran-konteks berkembang (EOCFS) dan butir maklumat berkembang (EIG). Butir maklumat berkembang dimulakan dengan butir maklumat pertama dengan mengalihkan pengetahuan domain keluaran keseluruhan. Butir maklumat awal diambil kira sebagai keadaan terkurang-padanan dengan ralat penghampiran yang tinggi. Kemudian, EFS memulakan pengembangan butir maklumat dengan penyekatan domain keluaran (atau masukan) dan menggunakan kekangan dinamik untuk mengekalkan kebolehtafsiran semantik dalam keluaran (atau masukan) konteks. Hasil pada data sintetik dan nyata menggunakan EFS menunjukkan keberkesanan sistem yang dicadangkan telah mengatasi teknik terkini. EFS memerlukan bilangan aturan yang kurang (iaitu kebolehtafsiran yang tinggi) dan ralat yang rendah (iaitu kejituan yang tinggi) jika dibandingkan dengan kaedah yang sedia ada. Contohnya jika kaedah EIG yang dicadangkan dilaksanakan pada sistem tak lelurus Nakanishi, empat peraturan fuzi dan 0.142 min kuasa dua ralat akan dihasilkan. Tambahan, EIG sangat cemerlang jika berbanding dengan kaedah yang sedia ada. Ciri penting dalam EFS ialah untuk menentukan perbezaan ketara (konteks keluaran atau masukan) dan melaksanakan butir maklumat berbeza yang menggambarkan semantik pada aras sekatan fuzi. EFS cenderung untuk berkembang pada rantau ralat yang lebih rendah dan melaksanakan asas aturan yang berkesan dengan mengelakkan terlebih-padanan. Selain itu, indeks terlebih-padanan berkembang dan pengawal ketidakpastian proses suai-diri adalah dicapai secara dinamik daripada pengetahuan lampau dan semasa. Oleh itu, asas aturan yang berkesan adalah model fuzi yang seimbang daripada sistem terjangka. Di antara tiga model yang dicadangkan (ESFS, EOCFS and EIG), EIG mempunyai keupayaan yang jelas dalam menyeimbangkan antara kebolehtafsiran dan kejituan. Manakala, kaedah ESFS yang dicadangkan pula menunjukkan kebolehtafsiran yang tinggi dalam kerangka berbutir dalam melaksanakan keseimbangan kebolehtafsiran-kejituan. _______________________________________________________________________
An information granule has to be translated into significant frameworks of granular computing to realize interpretability-accuracy tradeoff. These two objectives are in conflict and constitute an open problem. Evolving information granules is a significant concept of granular computing which consider coarser partition (or lower granule i.e. higher error) to fine partition (or higher granule i.e. lower error). While this error reducing granular framework is considered, interpretability constraint is the factor to improve the tradeoff between interpretability and accuracy. Furthermore, overfitting and underfitting criteria are noteworthy to be considered while evolving process continues. In addition, the stability-plasticity tradeoff is another significant consideration to design a granular framework in order to find a consistent and up-to-date fuzzy information granule method. A new operational framework namely evolving fuzzy system (EFS) is developed in this research work, which ensures a compromise between interpretability and reasonable accuracy. Three models are designed based on EFS namely, evolving structural fuzzy system (ESFS), evolving output-context fuzzy system (EOCFS) and evolving information granule (EIG). The evolving information granule is initiated with the first information granule by translating the knowledge of the entire output domain. The initial information granule is considered as an underfitting state with a high approximation error. Then, the EFS starts evolving in the information granule by partitioning the output (or input) domain and uses a dynamic constraint to maintain semantic interpretability in the output (or input) contexts. The outcome on the synthetic and real-world data using the EFS shows the effectiveness of the proposed system, which outperforms state-of-the-art methods. The EFS needs less number of rules (i.e. high interpretable) and low error (i.e. high accuracy) with respect to the existing methods. For example, if the proposed EIG method is applied to the Nakanishi‘s nonlinear system then four fuzzy rules and 0.142 mean square error (MSE) are found. Furthermore, the EIG outperforms if compared with the existing methods. The important criterion in the EFS is to determine the prominent distinction (output or input context) and realize the distinct information granule that depicts the semantics at the fuzzy partition level. The EFS tends to evolve toward the lower error region and realizes the effective rule base by avoiding overfitting. Furthermore, the evolving overfitting index and uncertainty controller of the self-adaptive process are dynamically attained from past and current knowledge. Therefore, effective rule base is the balanced fuzzy model of the approximated system. Within the proposed three models (ESFS, EOCFS and EIG), EIG has the significant ability to tradeoff between interpretability and accuracy, while the proposed ESFS method shows the highly interpretable granular framework which also realizes the interpretability-accuracy tradeoff.
New evolving fuzzy system algorithms using dynamic constraint_Md. Manjur Ahmed_E3_2016_MYMY