Вестник КРАУНЦ. Физ.-мат. науки. 2022.Т. 39. №2. C. 119-135. ISSN 2079-6641

Содержание выпуска

Read English Version US Flag

ИНФОРМАЦИОННЫЕ И ВЫЧИСЛИТЕЛЬНЫЕ ТЕХНОЛОГИИ

УДК 519.7

Научная статья

Оптимизация структуры переменнозначных логических функций при добавлении новых продукционных правил

Д. П. Димитриченко

Институт прикладной математики и автоматизации КБНЦ РАН 360000, КБР, г. Нальчик, ул. Шоратнова 89 А

E-mail: dimdp@rambler.ru

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.

Ключевые слова: логические операции, переменнозначный предикат, переменнозначная логическая функция, обучающая выборка, продукционное правило, логический классификатор, логическая нейронная сеть.

DOI: 10.26117/2079-6641-2022-39-2-119-135

Поступила в редакцию: 04.07.2022

В окончательном варианте: 20.08.2022

Для цитирования. Димитриченко Д. П. Оптимизация структуры переменнозначных логических функций при добавлении новых продукционных правил // Вестник КРАУНЦ. Физ.-мат. науки. 2022. Т. 39. № 2. C. 119-135. DOI: 10.26117/2079-6641-2022-39-2-119-135

Контент публикуется на условиях лицензии Creative Commons Attribution 4.0 International (https://creativecommons.org/licenses/by/4.0/deed.ru)

© Димитриченко Д. П. , 2022

Конкурирующие интересы. Конфликтов интересов в отношении авторства и публикации нет.

Авторский вклад и ответственность. Автор участвовал в написании статьи и полностью несет ответственность за предоставление окончательной версии статьи в печать.

Список литературы

  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.
  6. Kamada S., Ichimura T. An Object Detection by using Adaptive Structural Learning of Deep Belief Network, 2019 International Joint Conference on Neural Networks (IJCNN), 2019, pp. 1–8, DOI: 10.1109/IJCNN.2019.8852145.
  7. Gao X., Yang T., Peng J. Logic-Enhanced Adaptive Network-Based Fuzzy Classifier for Fall Recognition in Rehabilitation, in IEEE Access, 2020. vol. 8, pp. 57105–57113, DOI: 10.1109/ACCESS. 2020.2982049.
  8. Cpalka K.A New Method for Design and Reduction of Neuro-Fuzzy Classification Systems, in IEEE Transactions on Neural Networks, 2009. vol. 20, no. 4, pp. 701–714, DOI: 10.1109/TNN.2009.2012425.
  9. Eiamkanitchat N., Theera-Umpon N., Auephanwiriyakul S.A novel neuro-fuzzy method for linguistic feature selection and rule-based classification, 2010 The 2nd International Conference on Computer and Automation Engineering (ICCAE), 2010, С. 247–252, DOI: 10.1109/ICCAE.2010.5451487.
  10. Efanov D., Osadchy G., Zueva M. Specifics of Error Detection with Modular Sum Codes in Concurrent Error-Detection Circuits Based on Boolean Complement Method, 2021 IEEE East-West Design and Test Symposium (EWDTS), 2021, pp. 1-–11, DOI: 10.1109/EWDTS52692.2021.9581036.
  11. Gebreyohannes S., Edmonson W., Esterline A., Homaifar A., Kibret N. Fuzzy classification context for the responsive and formal design process, 2017 Annual IEEE International Systems Conference (SysCon), 2017, pp. 1–8, DOI: 10.1109/SYSCON.2017.7934797.
  12. Jean-Marc B., Lafitte O.Combining weak classifiers: a logical analysis, 2021 23rd International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), 2021, pp. 178–181, DOI: 10.1109/SYNASC54541.2021.00038.
  13. Лютикова Л. А. Моделирование и минимизация баз знаний в терминах многозначной
    логики предикатов. Нальчик: Препринт, 2006. 33 с.
  14. Lyutikova L. A. Using multivalued logic for qualitative data analysis, Journal of Physics: Conference Series, 2021. Т. 2131, №3, С. 032046.
  15. Лютикова Л. А., Шматова Е. В. Логический анализ корректирующих операций для построения качественного алгоритма распознавания, Программные продукты и системы, 2016. Т. 113, №1, С. 108–112.
  16. Димитриченко Д. П. Использование нейронных сетей для повышения эффективности переменнозначных логических функций, Вестник ИрГТУ, 2015. Т. 105, №10, С. 12–16.
  17. Димитриченко Д. П. Применение переменнозначных логических функций и нейронных сетей в
    системах принятия решений, Вестник КРАУНЦ. Физ.-мат. науки, 2016. Т. 16, №4-1, С. 93–
    100.
  18. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. 176 с.
  19. Барский А. Б. Логические нейронные сети: Интернет-Университет Информационных Техно-
    логий, 2007. 352 с.
  20. Горбатов В. А. Фундаментальные основы дискретной математики. Информационная математика. М.: Наука, 2000. 541 с.
  21. Dimitrichenko D.P.A Method for Diagnosing a Robotic Complex Using Logical Neural Networks Apparatus, ,» 2021 International Russian Automation Conference (RusAutoCon), pp. 907–911 DOI: 10.1109/RusAutoCon52004.2021.9537419.
  22. Ахо Альфред В., Хопкрофт Джон Э., Ульман Джеффри Д. Структуры данных и алгоритмы. М.: Вильямс, 2000. 400 с.

Димитриченко Дмитрий Петрович – кандидат технических наук, научный сотрудник отдела Нейроинформатики и машинного обучения, Институт прикладной математики и автоматизации, Кабардино-Балкарская Республика, г. Нальчик, Россия, ORCID 0000-0003-2399-3538.

Читать статьюСкачать