Absztrakt és ábrák
Tudásalapú szakértői rendszerünk, a „Doctus”, képes dedukcióra, amelyet szabályalapú érvelésnek is nevezünk, és indukcióra, amely az esetek érvelésének szimbolikus változata 2. Ha adatbázisokhoz vagy adattárházakhoz csatlakozik, a Doctus induktív érvelését is használják adatbányászatra. A numerikus tartományok kezeléséhez a Doctus statisztikai fürtözési algoritmust használ. Három lépésben definiáljuk a problémát: hogyan lehet végrehajtani egy nem merev és nem is érzékeny fürtözést, kihasználva az alkalmazási tartomány tulajdonságait, a lehető legnagyobb mértékben csökkentve a bonyolultságot, és a döntéshozó számára hasznos információkkal ellátva a interakció lehetősége? Ebben a cikkben bemutatjuk az Automated Fuzzy-Clustering koncepcióját háromszög és trapéz alakú Fuzzy-készletek felhasználásával, amely átfedést biztosít a tartomány Fuzzy-set fedésével. I. FUZZY FÜGGŐZÉS A SZIMBOLIKUS ESEKHEZ - MIÉRT? Megvizsgáljuk a szakértői rendszereket az üzleti döntéshozatali folyamat támogatásában. Először vizsgáljuk meg az alkalmazás tartományát, hogy feltérképezzük azokat a jellemzőket, amelyek fontosak a megfelelő eszköz kiválasztásához a támogatáshoz. Vezető és menedzser döntéshozatalával foglalkozunk szakértői szintű és magasabb szintű ismeretekkel, akiknek figyelembe kell venniük a legtöbb információt és a kemény adatokat, és heurisztikus folyamatokat kell használniuk a döntések meghozatalához. Először fel kell fedezni a heurisztikus folyamatok tulajdonságait a többi folyamathoz képest: 1. A determinisztikus folyamatoknál csak elvárt érték van diszperzió nélkül. Meg van határozva, hogy melyik kimenet követi az adott bemenetet, ez az ismétlések 100% -ában fog megtörténni. A bemeneten bekövetkező apró változások a kimeneten apró változásokat eredményeznek, amelyek pontosan kiszámíthatók. A determinisztikus folyamatok teljesíthetők pl. a klasszikus fizikában (nem mikroszkopikus, de nem is csillagászati ​​méretű testek mechanikája). 2. Egy sztochasztikus folyamat kimenete leírható annak várható értékével és diszperziójával, amely legalább egy nagyságrenddel kisebb. A bemeneten bekövetkező apró változások kismértékű változásokat eredményeznek a kimeneten, amelyek 1 Lényege az volt - és sok szoftverben még mindig kikandikál a szimbolikus megoldásfátyol mögül -, hogy meghatározzon néhány metrikát és a rá épített távolságot, ami a hasonlóság lesz. Egy új eset esetében a legközelebbi - vagyis a legegyszerűbb - keresése az esetbázisból történik. Az azonos szabályokkal leírt szimbolikus logikai esetek hasonlónak tekinthetők.

Ez le van fordítva. Az eredeti oldal:
https://www.researchgate.net/publication/228991531_Automated_Fuzzy-Clustering_for_DoctuS_Expert_System