Resumen

Este artículo presenta un enfoque computacional novedoso para estimar medidas difusas directamente a partir de un modelo de mezclas gaussianas (GMM, por sus siglas en inglés). Los componentes de mezcla de GMM proporcionan las funciones de membresía para los conjuntos difusos de entrada-salida. Al tratar la parte consecuente como una función de medidas difusas, derivamos sus coeficientes a partir de las matrices de covarianza encontradas directamente de GMM y la salida desdifuminada construida tanto a partir de las partes premisa como consecuente de las reglas difusas no aditivas que toman la forma de integral de Choquet. La carga computacional involucrada en la solución de la medida se minimiza utilizando la medida. El modelo difuso cuyas medidas difusas fueron calculadas utilizando matrices de covarianza encontradas en GMM se ha aplicado con éxito en dos problemas de referencia y en datos de carga eléctrica en tiempo real de una empresa de servicios públicos de la India. El rendimiento del modelo resultante para muchos estudios experimentales, incluida la aplicación mencionada anterior

• Materias:Máquina de vectores Marco neuronal híbrido Base de datos Inteligencia neuronal Sintonización de controladores
• Subjects:Vector machine Hybrid neural framework Database Neural intelligence Controller tuning
• Palabras claves:Nuevo enfoque computacional; Medidas difusas; Modelo de mezclas gaussianas; Matrices de covarianza; Integral de Choquet; Problemas de referencia
• Keywords:Novel computational approach; Fuzzy measures; Gaussian mixtures model; Covariance matrices; Choquet integral; Benchmark problems