Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Evolutionary Intelligence
Erschienen in: Evolutionary Intelligence 1-2/2009

01.11.2009 | Special Issue

Extending a simple genetic cooperative-competitive learning fuzzy classifier to low quality datasets

verfasst von: Ana M. Palacios, Luciano Sánchez, Inés Couso

Erschienen in: Evolutionary Intelligence | Ausgabe 1-2/2009

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Exploiting the information in low quality datasets has been recently acknowledged as a new challenge in Genetic Fuzzy Systems. Owing to this, in this paper we discuss the basic principles that govern the extension of a fuzzy rule based classifier to interval and fuzzy data. We have also applied these principles to the genetic learning of a simple cooperative-competitive algorithm, that becomes the first example of a Genetic Fuzzy Classifier able to use low quality data. Additionally, we introduce a benchmark, comprising some synthetic samples and two real-world problems that involve interval and fuzzy-valued data, that can be used to assess future algorithms of the same kind.
Vorheriger Artikel Multiagent coevolutionary genetic fuzzy system to develop bidding strategies in electricity markets: computational economics to assess mechanism design

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Ajuriaguerra J (1976) Manual de psiquiatrí a infantil (in Spanish). Toray-Masson, Barcelona
2.
Cordón O, Herrera F, Hoffmann F, Magdalena L (2001) Genetic fuzzy systems Evolutionary tuning and learning of fuzzy knowledge bases. World Scientific, SingaporeMATH
3.
Couso I, Sánchez L (2008) Higher order models for fuzzy random variables. Fuzzy Sets Syst 159:237–258MATHCrossRef
4.
Dubois D, Prade H (1987) The mean value of a fuzzy number. Fuzzy Sets Syst 24(3):279–300MATHCrossRef
5.
Georgopulos V (2003) A fuzzy cognitive map to differential diagnosis of specific language impairment. Artif Intell Med 29:261–278CrossRef
6.
Herrera F (2008) Genetic fuzzy systems: taxonomy, current research trends and prospects. Evol Intell 1:27–46CrossRef
7.
Ishibuchi H, Nakashima T, Murata T (1995) A fuzzy classifier system that generates fuzzy if-then rules for pattern classification problems. In: Proceedings of 2nd IEEE international conference on evolutionary computation, pp 759–764
8.
Koeppen M, Franke K, Nickolay B (2003) Fuzzy-pareto-dominance driven multi-objective genetic algorithm. In: Proceedings of 10th international fuzzy systems assotiation world congress (IFSA), Istanbul, Turkey, pp 450–453
9.
Lakov DV (2004) Soft computing agent approach to remote learning of disables. In: 2nd IEEE international conference on intelligent systems, pp 250–255
10.
Limbourg P (2005) Multi-objective optimization of problems with epistemic uncertainty. In: EMO 2005, pp 413–427
11.
Medasani S, Kim J, Krishnapuram S (1998) An overview of membership function generation techniques for pattern recognition. Int J Approx Reason 19(3–4):391–417MATHCrossRefMathSciNet
12.
Sánchez L, Otero J, Villar JR (2006) Boosting of fuzzy models for high-dimensional imprecise datasets. In: Proceedings of IPMU 2006, Paris, pp 1965–1973
13.
Sánchez L, Couso I (2007) Advocating the use of imprecisely observed data in genetic fuzzy systems. IEEE Trans Fuzzy Syst 15(4):551–562CrossRef
14.
Sánchez L, Couso I, Casillas J (2007) Modelling vague data with genetic fuzzy systems under a combination of crisp and imprecise criteria. In: Proceedings of 2007 IEEE symposium on computational intelligence in multicriteria decision making, Honolulu, pp 30–37
15.
Sánchez L, Palacios A, Couso I (2008) A minimum risk wrapper algorithm for genetically selecting imprecisely observed features, applied to the early diagnosis of dyslexia. Lect Notes Comput Sci 5271:608–615CrossRef
16.
Sánchez L, Otero J, Couso I (2009) Obtaining linguistic fuzzy rule-based regression models from imprecise data with multiobjective genetic algorithms. Soft Comput 13(5):467–479MATHCrossRef
17.
Sánchez L, Couso I, Casillas J (2009) Genetic learning of fuzzy rules based on low quality data. Fuzzy Sets Syst 160(17):2524–2552CrossRef
18.
Teich J (2001) Pareto-front exploration with uncertain objectives. In: EMO 2001, pp 314–328
19.
Öztürk M, Tsoukias A (2007) Valued Hesitation in intervals comparison. In: Proceedings of the SUM-07 conference, LNAI 4772, Springer, pp 157–170
20.
Vinuessa M, Coll J (1984) Tratado de atletismo. Servicio Geográfico del Ejercito Español
Metadaten
Titel
Extending a simple genetic cooperative-competitive learning fuzzy classifier to low quality datasets
verfasst von
Ana M. Palacios
Luciano Sánchez
Inés Couso
Publikationsdatum
01.11.2009
Verlag
Springer-Verlag
Erschienen in
Evolutionary Intelligence / Ausgabe 1-2/2009
Print ISSN: 1864-5909
Elektronische ISSN: 1864-5917
DOI
https://doi.org/10.1007/s12065-009-0024-1

Weitere Artikel der Ausgabe 1-2/2009

Evolutionary Intelligence 1-2/2009 Zur Ausgabe

Editorial

Special issue on genetic fuzzy systems: new advances

Special Issue

Evolutionary parallel and gradually distributed lateral tuning of fuzzy rule-based systems

Special Issue

Rule base and adaptive fuzzy operators cooperative learning of Mamdani fuzzy systems with multi-objective genetic algorithms

Special Issue

Multiagent coevolutionary genetic fuzzy system to develop bidding strategies in electricity markets: computational economics to assess mechanism design

Special Issue

Multi-objective evolutionary learning of granularity, membership function parameters and rules of Mamdani fuzzy systems