Flpd. O FLPD é um sistema automático de aprendizagem baseado em protótipos fuzzy.
Baixe Agora

Flpd. Classificação e resumo

Flpd. Tag

Difuso algoritmo sistema de aprendizagem Protótipo Fuzzy. Algoritmo de HPI. HPI

Flpd. Descrição

O FLPD é um sistema automático de aprendizagem baseado em protótipos fuzzy. O FLPD é um sistema automático de aprendizagem baseado em protótipos fuzzy.Using flpd, é fácil calcular processos de aprendizagem supervisionados e não supervisionados. Ao mesmo tempo, os usuários mais experimentados podem configurar um grande número de parâmetros do processo de cálculo, e eles também podem projetar seus próprios procedimentos de aprendizagem personalizados. O kernel de indução do sistema é baseado no algoritmo HPI (indução hierárquica do protótipo). No entanto, um usuário avançado pode projetar e usar seu próprio algoritmo de indução baseado em protótipos fuzzy.O sistema é estruturado em camadas que contêm vários utilitários trabalhando em diferentes níveis de abstração, permitindo combinar flexibilidade, poder e simplicidade. Todo o sistema é baseado em um sistema Biblioteca C ++ para lógica fuzzy e aprendizagem de máquina, que permite representar e manipular informações difusas e aplicar técnicas de aprendizagem de máquina.Aqui são algumas características importantes de "FLPD": · Conjuntos Fuzzy · O sistema inclui as classes necessárias para representar e manipular conjuntos fuzzys discretos e, em certa forma, conjuntos confusos contínuos. Classes específicas para manusear conjuntos fuzzy transformáveis em distribuições de probabilidade de LPD (distribuição menos preconceituosa) também estão incluídas, com a mecânica apropriada para lidar automaticamente as transformações necessárias. · Além das operações comuns em conjuntos fuzzy, a biblioteca implementa as operações derivadas da atribuição de massa Teoria: como a fusão de conjuntos fuzzy e a probabilidade condicional. · Protótipos Fuzzy · Uma implementação básica de protótipos é fornecida, como recipientes de atributos fuzzy. As operações em protótipos fuzzy derivados da teoria da atribuição de massa são implementadas: fusão, suporte e suporte médio normalizado. · Descrição linguística · Algumas ferramentas para fuzzificação de dados estão incluídas na biblioteca. Para discretização de dados contínuos, vários algoritmos de cobertura linguística são implementados. · Algoritmos de indução de protótipos · A biblioteca inclui uma implementação do algoritmo de indução do protótipo hierárquico (HPI), e também HPIW (HPI com ponderação), que, com base no HPI, cuida da relevância de cada atributo ao pesquisar protótipos para fusão, e gera uma função de ponderação que aumenta os resultados da HPI RAW. · Entrada / saída de dados · Uma implementação básica de dados E / S é fornecida, permitindo dados de leitura e gravação em vários formatos (texto, Valores separados por vírgula] e XML ) de uma maneira fácil. · Estrutura de experimentação · Além da biblioteca, o sistema inclui alguns front-ends para a linha de comando e uma interface gráfica simples escreve no PHP que, com base na biblioteca, implementar algumas tarefas habituais de aprendizagem automática: · Aprendizagem supervisionada · Um conjunto de dados de treinamento é convertido em um conjunto de protótipo difuso, após um processo de indução. Os protótipos induzidos são então usados para determinar a classe dos elementos de um conjunto de dados de teste. · Se a validação cruzada for desejada, um conjunto de dados de entrada será dividido em várias dobras. Um processo de aprendizagem supervisionado é então aplicado a cada dobra. · Aprendizagem não supervisionada · De um conjunto de dados de entrada, um conjunto de protótipos induzidos é extraído. Cada protótipo representa uma classe diferenciada de elementos de dados detectados nos dados de entrada. · Essas extremidades frontais de aprendizagem são implementadas em um grupo de back-ends, no menor nível de abstração. Cada back-end calcula apenas uma etapa nas diversas tarefas sequenciais necessárias para que um processo de aprendizagem seja concluído: · Conversão de dados de / para o próprio formato XML. · Manipulação de dados XML · Fuzzificação de dados. · Classificação de protótipos Avaliação de classificações. · Representação gráfica. · Usando este back-ends diretamente, um processo de aprendizado personalizado pode ser projetado, completamente novo ou parcialmente com base na infraestrutura de cálculo já fornecida pelo sistema.

Flpd. Software Relacionado