V članku je predstavljena inkrementalna metoda učenja za optimalno gradnjo granularnega sistema, ki je osnovan na pravilih in določen iz toka numeričnih podatkov. Metoda je razvita v okviru večkriterijske optimizacije, pri čemer upošteva specifičnost informacije, kompaktnost modela ter variabilnost in granularno pokritost podatkov.
COBISS.SI-ID: 12460116
V članku je predstavljen nov pristop za identifikacijo samorazvijajočih se mehkih modelov iz toka podatkov. Struktura modela je podana kot mreža lokalnih modelov Takagi-Sugeno, razdelitev vhodno-izhodnega prostora pa je osnovana na metriki, znotraj katere so ti modeli definirani kot prototipi rojev. Algoritem inkrementalno dodaja nove roje in rekurzivno adaptira parametre lokalnih modelov.
COBISS.SI-ID: 12504660
V članku je predstavljen nov pristop za inkrementalno združevanje rojev v samorazvijajočih se modelih. Novi združeni roji se določijo iz uteženega povprečja centrov rojev in izračuna skupne kovariančne matrike. Pokazali smo, da je predstavljeni algoritem eGAUSS+ skupaj z metodo združevanja rojev preprost za implementacijo, uporaben na večdimenzionalnih podatkih in lahko s sprotnim računanjem tvori zanesljive roje.
COBISS.SI-ID: 12586580
V članku je predstavljena nova metoda za razdelitev prostora in za identifikacijo mehkih modelov Takagi-Sugeno. Novost predstavlja mehanizem deljenja regij in določanja pripadnostnih funkcij, ki je osnovan na hiperravninah. Rezultati so obetavni, a so - kot pri vseh metodah učenja - odvisni od porazdelitve podatkov in izbire vhodnih spremenljivk.
COBISS.SI-ID: 12591444
V članku je predstavljen učinkovit algoritem za lokalizacijo v notranjih prostorih na osnovi intervalov zaupanja mehkega modela. Za vsak oddajnik v testni sobi se iz več lokalnih linearnih modelov sestavi mehki model izgube poti na na osnovi intervalov zaupanja mehkega modela. Z njegovo uporabo se bistveno izboljša natančnost lokalizacije v primerjavi z drugimi pogosto uporabljanimi modeli.
COBISS.SI-ID: 12043092