Pada masa kini, isu kompromi antara kejituan dan penafsiran semakin mendapat perhatian dalam merekabentuk sistem kabur yang baharu. Dalam tesis ini, tiga model kabur berkembang iaitu peningkatan pengenalan istilah kabur (EFTI), kaedah pengenalan struktur (SIM) dan pendekatan perkembangan struktur (SEA) dicadangkan untuk menangani isu kompromi antara kejituan dan penafsiran. EFTI, SIM dan SEA direkabentuk berdasarkan kaedah-kaedah pengurangan ralat. EFTI dibangunkan untuk disesuaikan dengan masalah-masalah masukan tunggal keluaran tunggal (SISO) (iaitu satu dimensi), manakala SIM dan SEA dibangunkan untuk disesuaikan dengan masukan berbilang keluaran tunggal (MISO) (iaitu dimensi sederhana dan tinggi). EFTI bermula dengan struktur kabur mudah yang terdiri daripada dua istilah kabur dalam ruang masukan. Kemudian, EFTI terus berkembang dengan mengenal pasti titik-titik pemisahan pada ruang masukan yang serasi dengan parameter-parameter yang dihasilkan. Sebaliknya, SIM dan SEA bermula dengan satu peraturan kabur yang tidak mempunyai istilah-istilah kabur dalam ruang masukan tanpa mengira tahap dimensi masukan. Kemudian kedua-dua kaedah berkembang berdasarkan proses penutupan atau pemisahan untuk sifat masukan yang terpilih pada subkawasan yang dipilih. Sekiranya sifat yang terpilih tidak mempunyai istilah kabur, penutupan dilakukan, tetapi jika berlaku sebaliknya, pemisahan dilaksanakan. Proses perkembangan berlanjutan sehingga kejituan yang memuaskan dipenuhi atau bilangan subkawasan maksimum dicapai. Teknik pemetakan berdasarkan ciri persamaan dan teknik pemilihan-pemetakan statik dibangunkan untuk SIM. Manakala, teknik
pemetakan berdasarkan pemisahan subkawasan yang terpilih kepada dua subkawasan dengan ralat purata maksimum dan minimum dan teknik pemilihan pemetakan yang dinamik dibangunkan untuk SEA. Selain itu, teknik pemangkasan berdasarkan tahap kepentingan peraturan kabur dicadangkan untuk mengecilkan asas peraturan SEA. Berbanding dengan model SISO dan dengan menggunakan tiga set data, EFTI menghasilkan RMSE terendah dengan bilangan peraturan yang paling rendah. Bagi model MISO pula dan dengan menggunakan sembilan set data penanda aras, SIM mencapai RMSE terendah dengan saiz terkecil sistem asas-peraturan. Demikian juga untuk model-model terkini MISO dan dengan menggunakan enam set data penanda aras, SEA juga menghasilkan RMSE terendah dengan saiz terkecil sistem asas-peraturan. Sebagai kesimpulan, keputusan yang diperolehi membuktikan bahawa EFTI, SIM dan SEA dapat menghasilkan kompromi yang ketara antara kejituan dan penafsiran. _______________________________________________________________________
Recently, the issue of accuracy and interpretability trade-off has been getting more attention when designing new fuzzy systems. In this thesis, three evolving fuzzy models, namely enhancement of fuzzy term identification (EFTI), structure identification method (SIM) and structural evolving approach (SEA) are proposed to spot the best trade-off between accuracy and interpretability. EFTI, SIM and SEA are designed based on error reducing methods. EFTI is developed to fit with single input single output (SISO) problems (i.e. one dimension), while SIM and SEA are developed to fit with multi input single output (MISO) (medium and high dimension). EFTI begins with a simple fuzzy structure that is composed of two fuzzy terms in the input space. Then EFTI continues evolving by identifying splitting points of the input space that are compatible with the consequent parameters. On the other hand, SIM and SEA start with one fuzzy rule that has no fuzzy term in the input space regardless of the degree level of input dimension. Then they evolve on the basis of either closure or split processes for the selected input attribute of the selected subregion. If the selected attribute has no fuzzy terms, closure is performed, otherwise split is done. The evolving continues until a satisfactory accuracy is fulfilled or maximum number of subregion is reached. A partitioning technique based on the similarity feature and a static partition-selection technique are developed for SIM. While, a partitioning technique based on splitting the selected subregion into two subregions with maximum and minimum average error and a dynamic partition-selection technique are developed for SEA. Furthermore, a pruning technique based on the importance level of the fuzzy rules is proposed to shrink the rule-base of SEA. Compared with SISO models and using three datasets, EFTI produces the lowest RMSE with lowest number of rules. For MISO models and using nine benchmark datasets, SIM achieves the lowest RMSE with the smallest size of rule-base systems. Similarly, for MISO state-of-the-art models and using six benchmark datasets, SEA also produces the lowest RMSE with the smallest size of rule-base systems. In conclusion, the results proved that EFTI, SIM and SEA are able to produce a significant trade-off between accuracy and interpretability.
New structural evolving algorithms for fuzzy systems_Hisham Haider Yusef Saad_E3_2018_MYMY