Parallel implementation of evolutionary learning of a fuzzy system with non-singleton fuzzification

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Fuzzy systems with fuzzy inputs can be used in tasks where it is necessary to make predictions for data objects that have fizzy characteristics. However, building an optimal block of rules for such a system may be non-trivial, including due to the requirement to have a certain depth of knowledge in the subject area. In this situation, there is a need to automate the process of compiling the rule base, that is, to build a machine learning algorithm. In this paper, we propose to use a genetic (evolutionary) algorithm as such an algorithm. It describes both the specifics of using this family of algorithms for training a fuzzy system, and the features of parallel implementation of the learning process using CUDA technology.

About the authors

S. A. Karatach

BSTU after V. G. Shukhov

Email: karatach1998@yandex.ru

Student

Russian Federation, Belgorod

V. G. Sinuk

BSTU after V. G. Shukhov

Author for correspondence.
Email: vgsinuk@mail.ru

Professor

Russian Federation, Belgorod

References

  1. L. Rutkowski. Methods and techniques of artificial intelligence. Hot Line Telecom, Moscow, 2010. ISBN 978-5-9912-0105-6. doi: 10.1049/piee.1974. 0328.
  2. L. A. Zadeh. The concept of a linguistic variable and its application to approximate reasoning—i. 8(3):199–249, 1975. doi: 10.1016/0020-0255(75) 90036-5.
  3. N. Borisov, A. V. Alekseev, O. A. Kromberg, and etc. Decision-making models based on a linguistic variable. Senate, Riga, 1982.
  4. Wen-Ruey Hwang and W. E. Thompson. Design of intelligent fuzzy logic controllers using genetic algorithms, 1994.
  5. C. L. Karr and E. J. Gentry. Fuzzy control of ph using genetic algorithms. IEEE Transactions on Fuzzy Systems, 1(1):46–, 1993. doi: 10.1109/TFUZZ. 1993.390283.
  6. Michael A. Lee and Hideyuki Takagi. Dynamic control of genetic algorithms using fuzzy logic techniques. In Proceedings of the 5th International Conference on Genetic Algorithms, page 76–83, San Francisco, CA, USA, 1993. Morgan Kaufmann Publishers Inc. ISBN 1558602992. doi: 10.5555/645513.657425.
  7. D. Dubois and A. Prad. Theory of possibilities. Applications to the representation of knowledge in computer science. Radio and communications, Moscow, 1990. ISBN 5-256-00184-1. doi: 10.1007/3-540-45493-4 24.
  8. V G Sinuk and M V Panchenko. Method of fuzzy inference for one class of MISO-structure systems with nonsingleton inputs. IOP Conference Series: Materials Science and Engineering, 327:042074, 3 2018. doi: 10.1088/1757-899x/327/4/042074.
  9. V. G. Sinuk and E. V. Pivnenko. About an analytic calculation of fuzzy truth value. pages 129–133, 2006.
  10. D. A. Kutsenko and V. G. Sinuk. Algorithms for finding cp under a piecewise linear representation of membership functions. pages 87–92, 2008.
  11. Yuhui Shi, R. Eberhart, and Yaobin Chen. Implementation of evolutionary fuzzy systems. IEEE Transactions on Fuzzy Systems, 7(2):109–119, 1999. doi: 10.1109/91.755393.
  12. Komartsova L.G., Kureychik V.V., Sorokin S.N., Tsoi Y.R., Yankovskaya A.E., Yarushkina N.G. Bionic information systems and their practical applications. Fizmatlib, 2011. ISBN: 978-5-9221-1302-1.
  13. Gladkov L. A., Kureychik V. V., Kureychik V. M. Genetic algorithms. Fizmatlit, 2nd ed, 2006. ISBN: 978-5-9221-0510-1.
  14. Jason Sanders and Edward Kandrot. CUDA by Example: An Introduction to General-Purpose GPU Programming. Addison-Wesley Professional, 1st edition, 2010. ISBN 0131387685.
  15. NVIDIA Developer Zone. Cuda programming guide. https://docs.nvidia. com/cuda/cuda-c-programming-guide/ index.html, 2020. [Online; accessed 1-December-2020].
  16. NVIDIA Developer Zone. Cuda best practices guide. https://docs.nvidia. com/cuda/cuda-c-best-practices-guide/ index.html, 2020. [Online; accessed 1-December-2020].
  17. UCI Machine Learning Repository. Balance scale data set. https:// archive.ics.uci.edu/ml/datasets/Balance+Scale, 2020. [Online; accessed 1December-2020].
  18. Yuqi Cui and Dongrui Wu and Jian Huang. Optimize TSK Fuzzy Systems for Classification Problems: Minibatch Gradient Descent With Uniform Regularization and Batch Normalization. IEEE Transactions on Fuzzy Systems. Institute of Electrical and Electronics Engineers (IEEE), 12 (28), pages 3065-3075, 2020. doi: 10.1109/tfuzz.2020.2967282.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».