Flpd FLPD es un sistema de aprendizaje automático basado en prototipos difusos.
Descargar ahora

Flpd Clasificación y resumen

Flpd Etiquetas

Difuso algoritmo sistema de aprendizaje prototipo difuso Algoritmo de hpi Hpi

Flpd Descripción

FLPD es un sistema de aprendizaje automático basado en prototipos difusos. FLPD es un sistema de aprendizaje automático basado en prototipos difusos. Si es fácil calcular los procesos de aprendizaje supervisados ​​y sin supervisión. Al mismo tiempo, los usuarios más experimentados pueden configurar un alto número de parámetros del proceso de cálculo, y también pueden diseñar sus propios procedimientos de aprendizaje personalizados. El kernel de inducción del sistema se basa en el algoritmo de HPI (inducción de prototipos jerárquicos). Sin embargo, un usuario avanzado puede diseñar y usar su propio algoritmo de inducción basado en prototipos difusos. El sistema está estructurado en capas que contiene varias utilidades que trabajan a diferentes niveles de abstracción, lo que permite combinar la flexibilidad, la potencia y la simplicidad. Todo el sistema se basa en un Biblioteca de C ++ para la lógica difusa y el aprendizaje automático, que permite representar y manipular información borrosa y aplicar técnicas de aprendizaje de la máquina. Aquí hay algunas características clave de "FLPD": · Conjuntos difusos · El sistema incluye las clases necesarias para representar y manipular conjuntos difusos discretos. y, en cierta medida, conjuntos difusos continuos. Clases específicas para manejar los conjuntos difusos transformables en LPD (distribución menos prejuicios) Las distribuciones de probabilidad también se incluyen, con la mecánica adecuada para manejar automáticamente las transformaciones necesarias. · Además de las operaciones comunes en los conjuntos difusos, la biblioteca implementa esas operaciones derivadas de la asignación de masas. Teoría: como la fusión de los conjuntos difusos y la probabilidad condicional. · Prototipos difusos · Se proporciona una implementación básica de prototipos, como contenedores de atributos difusos. Las operaciones en prototipos difusos derivados de la teoría de la asignación de masivos se implementan: Fusión, soporte y soporte normalizado. · Descripción lingüística · Se incluyen algunas herramientas para la fuzzificación de datos en la biblioteca. Para la discretización de los datos continuos, se implementan varios algoritmos de cobertura lingüística. · Algoritmos de inducción de prototipos · La biblioteca incluye una implementación del algoritmo de inducción de prototipos jerárquicos (HPI), y también HPIW (HPI con ponderación), que, basado en HPI, se encarga de la relevancia de cada atributo cuando busca prototipos de fusión, y Genera una función reflexionando que mejora los resultados de HPI crudo. · Entrada / salida de datos · Se proporciona una implementación básica de E / S de datos, lo que permite leer y escribir datos en varios formatos (texto, CSV y XML ) de una manera fácil. · Marco de experimentación · Además de la biblioteca, el sistema incluye algunos frontales para la línea de comandos y una interfaz gráfica simple que escribe en PHP que, basada en la biblioteca, implementando algunas tareas de aprendizaje automático habituales: · Aprendizaje supervisado · Se convierte un conjunto de datos de capacitación. En un conjunto de prototipos difuso, después de un proceso de inducción. Los prototipos inducidos se usan luego para determinar la clase de los elementos de un conjunto de datos de prueba. · Si se desea la validación cruzada, un conjunto de datos de entrada se divide en varios pliegues. Luego se aplica un proceso de aprendizaje supervisado a cada pliegue. · Aprendizaje no supervisado · Desde un conjunto de datos de entrada se extrae un conjunto de prototipos inducidos. Cada prototipo representa una clase diferenciada de elementos de datos detectados en los datos de entrada. · Estos frentes de aprendizaje se implementan sobre un grupo de extremos de fondo, a nivel de abstracción más bajo. Cada back-extremo calcula solo un paso en las varias tareas secuenciales necesarias para que se complete un proceso de aprendizaje: · Conversión de datos desde / hacia el propio formato XML. · Manipulación de datos XML · Fuzzificación de datos. · Inducción de prototipos. · Clasificación de datos. Evaluación de las clasificaciones. · Representación gráfica. · Uso de estos extremos directamente directamente, se puede diseñar un proceso de aprendizaje personalizado, completamente nuevo o parcialmente basado en la infraestructura de cálculo ya proporcionada por el sistema.

Flpd Software relacionado