RU2417442C2 - Способ построения систем нечеткой логики и устройство для его реализации - Google Patents
Способ построения систем нечеткой логики и устройство для его реализации Download PDFInfo
- Publication number
- RU2417442C2 RU2417442C2 RU2008150203/08A RU2008150203A RU2417442C2 RU 2417442 C2 RU2417442 C2 RU 2417442C2 RU 2008150203/08 A RU2008150203/08 A RU 2008150203/08A RU 2008150203 A RU2008150203 A RU 2008150203A RU 2417442 C2 RU2417442 C2 RU 2417442C2
- Authority
- RU
- Russia
- Prior art keywords
- neural network
- fuzzy logic
- domains
- outputs
- rules
- Prior art date
Links
Landscapes
- Feedback Control In General (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
Изобретение относится к вычислительной технике. Технический результат заключается в создании интеллектуальных систем, способных решать сложные задачи управления, а также в обучении и переобучении системы в процессе ее работы, при изменении функций системы. Способ построения систем нечеткой логики, при котором сначала формулируют последовательность правил нечеткой логики, затем каждому из этих правил назначают числовую характеристику - показатель качества управления, причем правила нечеткой логики реализованы на базе обученной нейронной сети, на входы нейронной сети подают информационные сигналы или сигналы от объекта управления, при этом на ее выходе формируется последовательность выходных сигналов или последовательность инструкций и рекомендаций, где обученная нейронная сеть является обученной большой искусственной нейронной сетью, причем каждое из правил нечеткой логики реализуют отдельным фрагментом обученной большой искусственной нейронной сети (доменом), где число доменов соответствует числу правил нечеткой логики и, кроме того, содержит некоторое избыточное число резервных доменов, причем один из доменов выполняет функции арбитра и коммутирует выходы доменов с выходами нейронной сети с учетом показателя качества управления. 2 н.п. ф-лы, 1 ил.
Description
Заявленный способ построения систем нечеткой логики и устройство для его реализации относятся к вычислительной технике и могут использоваться для создания экспертных подсистем и подсистем принятия решений в составе сложных автоматических систем управления и систем с искусственным интеллектом, в том числе - для управления технологическими процессами в машиностроении, в авиационной и космической технике, на транспорте и т.д.
Цель изобретения:
- создание интеллектуальных систем нечеткой логики с возможностью их дальнейшего обучения в процессе работы;
- создание экспертных систем на базе больших искусственных нейронных сетей.
Технический результат заявленного способа и устройства для его реализации:
- создание интеллектуальных систем, способных решать сложные задачи управления;
- возможность обучения и переобучения системы в процессе ее работы при изменении функций системы;
- возможность изменения и расширения системы правил нечеткой логики;
- адаптация системы в процессе работы.
Изобретение позволяет получить сопутствующий экономический результат:
- сокращение затрат на разработку и реализацию таких систем.
Аналоги заявленного устройства - это экспертные системы и системы управления нечеткой логики.
Известны нечеткие системы логического вывода /Л. - 1, рис.2.1./, в которые входят:
1. Фазификатор, который преобразует N-мерный четкий (числовой) вектор x=[x1, x2, …, xN] в нечеткое множество A, определяемое функцией принадлежности µA(х).
В качестве этой функции могут использоваться гауссовская функция, треугольные и трапецеидальные функции и другие.
2. Нечеткие контроллеры или машины нечеткого логического вывода, которые реализуют системы нечеткого вывода. Эти устройства на основе нечеткого вывода по входному значению, принадлежащему одному нечеткому множеству и являющегося результатом работы фазификатора, определяют выходные значения, принадлежащие другому нечеткому множеству.
3. Дефазификатор, ставящий в соответствие нечеткому входному значению, полученному в результате работы системы нечеткого вывода, некоторое четкое (цифровое) значение выходного параметра.
Трансформировать нечеткое множество µ(y)=µA-В (y) в точечное решение y можно многими способами, например, относительно центра области
или относительно среднего центра
где ci - центр i-го нечеткого правила, µ(ci) - соответствующая функция принадлежности.
Традиционно система нечеткого вывода включает:
1. множество используемых нечетких правил;
2. базу описаний функций принадлежности;
3. механизм вывода, который образован применяемыми правилами вывода.
Вопросы фазификации и дефазификации рассмотрены в литературе /Л. - 1/. Одним из способов их реализации могут быть искусственные нейронные сети.
Известны распознающие устройства для нечетких нейронных сетей /Л. - 2, 3/.
Распознающее устройство для нечетких нейронных сетей /Л. - 3/, содержащее первый и второй формирователи функции принадлежности и формирователь обобщенного показателя сходства, причем выходы первого и второго формирователей функции принадлежности соединены, соответственно, с первым и вторым входами первого формирователя показателя сходства, отличающееся тем, что дополнительно введены первый и второй формирователи нечетких величин, выходы которых соединены со входами, соответственно, первого и второго формирователей функции принадлежности, причем первый и второй формирователи функций принадлежности выполнены в виде сумматоров нечетких величин.
Известен способ выполнения операции нечеткой логики и процессор обработки данных /Л. - 4/. Механизм логического вывода нечеткой логики выполняет операции нечеткой логики с высокой степенью точности и в минимальный отрезок времени. Механизм логического вывода нечеткой логики включает в себя модуль формирования нечеткой логики, который декодирует входной сигнал с целью обеспечения доступа к ячейке памяти. При обращении ячейка памяти выдает унарное значение на модуль оценки правил. Затем модуль оценки правил обрабатывает унарное значение с тем, чтобы указать относительную надежность правила логического вывода нечеткой логики. Поскольку операции нечеткой логики используют унарные числа, а не более традиционные двоичные числа, для выполнения операции нечеткой легкий требуется время, определяемое лишь временем, необходимым для прохождения сигнала через логические схемы, образующие модуль оценки правил.
Наиболее близкой по технической реализации к заявленному способу и устройству является нечеткая система логического вывода /Л. - 1, рис.2.1/, которая принята в качестве прототипа.
Отличие заявленного устройства от известных аналогов и прототипа состоит в следующем. Нечеткий контроллер реализован на базе больших доменных нейронных сетей и модульной вычислительной системы /Л. - 5, 6, 7/.
В доменной нейронной сети /Л - 5, 6/ используются три типа элементов - элементы, осуществляющие обработку информации (нейроны), элементы, осуществляющие транспорт информации между нейронами (коммутаторы), и элементы, которые содержат фрагменты большой нейронной сети (домены). Нейроны в такой сети имеют один вход и один выход (в отличие от традиционной нейронной сети, где нейрон имеет много входов и много выходов). Вход и выход нейрона подсоединены к входам и выходам коммутатора. Коммутатор имеет много входов и много выходов, к которым подсоединены входы и выходы нейронов, других коммутаторов и доменов. В коммутаторе имеется таблица коммутации, а также устройство для приема передачи информации. Таблица коммутации формируется при обучении нейронной сети и содержит взаимные связи входов и выходов и весовые коэффициенты, на которые умножаются входные сигналы. Выходной сигнал коммутатора формируется как сумма входных сигналов, с учетом соответствующих весовых коэффициентов из таблицы коммутации. Группа нейронов, образующих фрагмент большой нейронной сети, объединяется в отдельном модуле, называемом доменом. Таким образом, сколь угодно большая нейронная сеть может быть реализована как модульная вычислительная система, состоящая из унифицированных модулей /Л. - 7/.
В заявленном способе и устройстве для его реализации предлагается каждое правило нечеткой логики реализовать отдельным фрагментом нейронной сети, так называемым доменом. В заявленном устройстве нечеткий контроллер реализован на базе обученной доменной нейронной сети, где количество входов соответствует мощности (количеству элементов) множества выходов фазификатора, а множество выходов соответствует мощности множества входов в дефазификатор.
Схема заявленного устройства приведена на чертеже.
Устройство для построения систем нечеткой логики содержит устройство ввода данных 1, мультиплексор 2, обученную нейронную сеть, состоящую из доменов, реализующих правила нечеткой логики 3, резервных доменов 3, а также домена, выполняющего коммутацию выходов доменов с выходами нейронной сети (арбитра) 4 и устройства вывода данных 5.
Заявленное устройство работает следующим образом.
Информация поступает на входы устройства ввода данных 1, которое соединено последовательно с мультиплексором входов нейронной сети 2. Выходы мультиплексора 2 подсоединены к входам доменов нейронной сети 3. Число доменов нейронной сети 3 соответствует числу правил нечеткой логики, а также содержит некоторое избыточное число доменов, необходимых для переобучения нейронной сети в процессе ее работы. Резервные домены могут использоваться для повышения надежности нейронной сети и включаться в работу при отказе доменов правил нечеткой логики. Выходы доменов нейронной сети подсоединены к входам домена, который выполняет функции арбитра и коммутирует выходы доменов 3 с учетом качества управления. Выход домена арбитра 4 подключен к входу устройства вывода данных 5, выход которого является выходом устройства. Показатель качества управления определяет домен, выполняющий функции арбитра нейронной сети. Из всего множества выходов доменов правил нечеткой логики арбитр выбирает те, которые обеспечивают лучшее качество управления.
Устройство доменной нейронной сети описано в патентах /Л. - 5, 6/.
Устройство ввода данных может быть реализовано как датчик, устройство измерения входного сигнала (в системах реального времени) - как элемент файловой системы или другим образом.
Устройство вывода данных может быть реализовано как интерфейс с объектом управления (в системах реального времени), как элемент файловой системы, как интерфейс оператора или другим образом.
Способ построения систем нечеткой логики состоит в следующем.
1. Формулируют последовательность правил нечеткой логики.
2. Каждому из правил нечеткой логики назначают числовую характеристику - показатель качества управления.
3. На основе правил нечеткой логики создают доменную нейронную сеть. Число доменов должно соответствовать числу правил нечеткой логики. Эта сеть должна содержать некоторое избыточное число резервных доменов, необходимых для переобучения нейронной сети в процессе ее работы или для повышения надежности при отказе отдельных доменов.
4. Доменную нейронную сеть обучают одним из известных методов, например методом обратного распространения. Обучение производится по доменам, что существенно сокращает время обучения. Применение правил нечеткой логики позволяет существенно ускорить первоначальное обучение нейронной сети. В дальнейшем возможно переобучение нейронной сети по результатам ее функционирования.
5. Проводят обучение домена арбитра, который анализирует выходы доменов правил нечеткой логики и оценивает качество управления. На выходе домена арбитра формируется последовательность сигналов управления (если устройство реализовано как система управления) или последовательность инструкций и рекомендаций (если устройство реализовано как экспертная система).
6. В процессе работы на входы доменов нейронной сети подают информационные сигналы или сигналы от объекта управления. В доменной нейронной сети обработка информации во всех доменах происходит параллельно. Результаты работы доменов правил нечеткой логики формируются на их выходах и затем передаются на входы домена - арбитра. Арбитр анализирует выходные сигналы от доменов правил нечеткой логики и по их значению оценивает показатель качества управления. Арбитр формирует общее решение с учетом показателя качества управления.
Технический результат способа построения систем нечеткой логики достигается за счет того, что сначала формулируют последовательность правил нечеткой логики, затем каждому из этих правил назначают числовую характеристику - показатель качества управления, причем правила нечеткой логики реализованы на базе обученной нейронной сети, на входы нейронной сети подают информационные сигналы или сигналы от объекта управления, при этом на ее выходе формируется последовательность выходных сигналов или последовательность инструкций и рекомендаций, где обученная нейронная сеть является обученной большой искусственной нейронной сетью, согласно изобретению, каждое из правил нечеткой логики реализуют отдельным фрагментом обученной большой искусственной нейронной сети (доменом), где число доменов соответствует числу правил нечеткой логики и, кроме того, содержит некоторое избыточное число резервных доменов, необходимых для переобучения нейронной сети в процессе ее работы или для повышения надежности нейронной сети при отказе отдельных доменов, причем один из доменов выполняет функции арбитра и коммутирует выходы доменов с выходами нейронной сети с учетом показателя качества управления, при этом из всего множества выходов доменов правил нечеткой логики арбитр выбирает те выходы, которые обеспечивают лучшее качество.
Технический результат от изобретения достигается за счет того, что устройство для реализации способа по п.1, которое содержит устройство ввода данных, мультиплексор, обученную нейронную сеть и устройство вывода данных, причем входная информация поступает на входы устройства ввода данных, которое соединено последовательно с мультиплексором, выходы которого подсоединены к входам нейронной сети, а выходы нейронной сети подсоединены к входу устройства вывода данных, выход которого является выходом устройства, согласно изобретению, обученная нейронная сеть состоит из фрагментов (доменов), реализующих правила нечеткой логики, некоторого числа резервных доменов и домена с возможностью выполнения функции арбитра, который коммутирует выходы доменов с выходами нейронной сети с учетом показателя качества управления.
Источники информации
1. Штовба С.Д. "Введение в теорию нечетких множеств и нечеткую логику" http://matlab.exponenta.ru/fazzylogic/book1/index.php /Л. - 1/.
2. Распознающее устройство для нечетких нейронных сетей. Заявка на изобретение №2007110980, МПК G06N 3/06, авторы: Борисов Э.В.; Анисимов В.Ю.; Явтушенко Р.С. Дата подачи заявки 2007.03.27 /Л. - 2/.
3. Распознающее устройство для нечетких нейронных сетей. Заявка на изобретение №2007109647 МПК G06N 7/02. Авторы: Борисов Э.В.; Анисимов В.Ю.; Явтушенко Р.С. Дата подачи заявки 2007.03.16 /Л. - 3/.
4. Способ выполнения операции нечеткой логики и процессор обработки данных заявка на изобретение №95104234, МПК G06F 7/00 Авторы: Кейт Е. Кинерк [US] и др. Дата подачи заявки: 1995.03.24 /Л. - 4/.
5. Кабак И.С., Суханова Н.В. Нейронная сеть. Патент на полезную модель №66831, опубл. 27.09.2007, Бюл. №27 /Л. - 5/.
6. Кабак И.С., Суханова Н.В. Доменная нейронная сеть. Патент на полезную модель №72084, опубл. 27.03.2008, Бюл. №9 /Л. - 6/.
7. Кабак И.С., Суханова Н.В. Модульная вычислительная система. Патент на полезную модель №75247, опубл. 27.07.2008 /Л. - 7/.
Claims (2)
1. Способ построения систем нечеткой логики, при котором сначала формулируют последовательность правил нечеткой логики, затем каждому из этих правил назначают числовую характеристику - показатель качества управления, причем правила нечеткой логики реализованы на базе обученной нейронной сети, на входы нейронной сети подают информационные сигналы или сигналы от объекта управления, при этом на ее выходе формируется последовательность выходных сигналов или последовательность инструкций и рекомендаций, где обученная нейронная сеть является обученной большой искусственной нейронной сетью,
отличающийся тем, что каждое из правил нечеткой логики реализуют отдельным фрагментом обученной большой искусственной нейронной сети (доменом), где число доменов соответствует числу правил нечеткой логики и, кроме того, содержит некоторое избыточное число резервных доменов, необходимых для переобучения нейронной сети в процессе ее работы или для повышения надежности нейронной сети при отказе отдельных доменов, причем один из доменов выполняет функции арбитра и коммутирует выходы доменов с выходами нейронной сети с учетом показателя качества управления, при этом из всего множества выходов доменов правил нечеткой логики арбитр выбирает те выходы, которые обеспечивают лучшее качество.
отличающийся тем, что каждое из правил нечеткой логики реализуют отдельным фрагментом обученной большой искусственной нейронной сети (доменом), где число доменов соответствует числу правил нечеткой логики и, кроме того, содержит некоторое избыточное число резервных доменов, необходимых для переобучения нейронной сети в процессе ее работы или для повышения надежности нейронной сети при отказе отдельных доменов, причем один из доменов выполняет функции арбитра и коммутирует выходы доменов с выходами нейронной сети с учетом показателя качества управления, при этом из всего множества выходов доменов правил нечеткой логики арбитр выбирает те выходы, которые обеспечивают лучшее качество.
2. Устройство для реализации способа по п.1, которое содержит устройство ввода данных, мультиплексор, обученную нейронную сеть и устройство вывода данных, причем входная информация поступает на входы устройства ввода данных, которое соединено последовательно с мультиплексором, выходы которого подсоединены к входам нейронной сети, а выходы нейронной сети подсоединены к входу устройства вывода данных, выход которого является выходом устройства, отличающееся тем, что обученная нейронная сеть состоит из фрагментов (доменов), реализующих правила нечеткой логики, некоторого числа резервных доменов и домена с возможностью выполнения функции арбитра, который коммутирует выходы доменов с выходами нейронной сети с учетом показателя качества управления.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2008150203/08A RU2417442C2 (ru) | 2008-12-19 | 2008-12-19 | Способ построения систем нечеткой логики и устройство для его реализации |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2008150203/08A RU2417442C2 (ru) | 2008-12-19 | 2008-12-19 | Способ построения систем нечеткой логики и устройство для его реализации |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2008150203A RU2008150203A (ru) | 2010-06-27 |
| RU2417442C2 true RU2417442C2 (ru) | 2011-04-27 |
Family
ID=42683108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2008150203/08A RU2417442C2 (ru) | 2008-12-19 | 2008-12-19 | Способ построения систем нечеткой логики и устройство для его реализации |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2417442C2 (ru) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2477525C2 (ru) * | 2011-06-17 | 2013-03-10 | Алексей Евгеньевич Васильев | Микроконтроллер с аппаратным нечетким вычислителем переменной структуры |
| RU2530270C2 (ru) * | 2012-10-23 | 2014-10-10 | Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Национальный исследовательский ядерный университет "МИФИ" (НИЯУ МИФИ) | Виртуальная потоковая вычислительная система, основанная на информационной модели искусственной нейросети и нейрона |
| RU2557477C2 (ru) * | 2013-12-05 | 2015-07-20 | Акционерное общество "Ракетно-космический центр "Прогресс" (АО "РКЦ "Прогресс") | Способ автоматизированной обработки и анализа телеметрической информации многопараметрического объекта и система для его осуществления |
| RU2574841C1 (ru) * | 2014-12-29 | 2016-02-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Уфимский государственный авиационный технический университет" | Способ логического управления сложным многосвязным динамическим объектом |
| RU176922U1 (ru) * | 2017-07-19 | 2018-02-01 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский авиационный институт (национальный исследовательский университет)" | Аналоговый нечеткий процессор |
| RU2649791C1 (ru) * | 2017-04-06 | 2018-04-04 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский авиационный институт (национальный исследовательский университет)" | Многопараметрический нечеткий процессор для автоматических регуляторов и способ синтеза управляющего сигнала |
| RU2754239C1 (ru) * | 2020-12-22 | 2021-08-30 | Владимир Сергеевич Пахомов | Способ структурно-параметрического синтеза средств поддержки принятия решений при управлении развитием сложной организационно-технической системы и устройство для его реализации |
-
2008
- 2008-12-19 RU RU2008150203/08A patent/RU2417442C2/ru not_active IP Right Cessation
Non-Patent Citations (1)
| Title |
|---|
| ШТОВБА С.Д. Идентификация нелинейных зависимостей с помощью нечеткого логического вывода в системе MATLAB. «Exponenta Pro. Математика в приложениях», №2, 2003. [найдено 06.08.2010], найдено в Интернет по адресу URL: http://soft.mail.ru/journal/2_2003.php, факсимильное изображение текста этой статьи найдено по адресу URL: http://soft.mail.ru/journal/pdfversions/519588.pdf. * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2477525C2 (ru) * | 2011-06-17 | 2013-03-10 | Алексей Евгеньевич Васильев | Микроконтроллер с аппаратным нечетким вычислителем переменной структуры |
| RU2530270C2 (ru) * | 2012-10-23 | 2014-10-10 | Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Национальный исследовательский ядерный университет "МИФИ" (НИЯУ МИФИ) | Виртуальная потоковая вычислительная система, основанная на информационной модели искусственной нейросети и нейрона |
| RU2557477C2 (ru) * | 2013-12-05 | 2015-07-20 | Акционерное общество "Ракетно-космический центр "Прогресс" (АО "РКЦ "Прогресс") | Способ автоматизированной обработки и анализа телеметрической информации многопараметрического объекта и система для его осуществления |
| RU2574841C1 (ru) * | 2014-12-29 | 2016-02-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Уфимский государственный авиационный технический университет" | Способ логического управления сложным многосвязным динамическим объектом |
| RU2649791C1 (ru) * | 2017-04-06 | 2018-04-04 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский авиационный институт (национальный исследовательский университет)" | Многопараметрический нечеткий процессор для автоматических регуляторов и способ синтеза управляющего сигнала |
| RU176922U1 (ru) * | 2017-07-19 | 2018-02-01 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский авиационный институт (национальный исследовательский университет)" | Аналоговый нечеткий процессор |
| RU2754239C1 (ru) * | 2020-12-22 | 2021-08-30 | Владимир Сергеевич Пахомов | Способ структурно-параметрического синтеза средств поддержки принятия решений при управлении развитием сложной организационно-технической системы и устройство для его реализации |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2008150203A (ru) | 2010-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2417442C2 (ru) | Способ построения систем нечеткой логики и устройство для его реализации | |
| Baughman et al. | Neural networks in bioprocessing and chemical engineering | |
| Islam et al. | A new adaptive merging and growing algorithm for designing artificial neural networks | |
| Chen et al. | Automatic design of hierarchical Takagi–Sugeno type fuzzy systems using evolutionary algorithms | |
| Zang et al. | Hybrid deep neural network scheduler for job-shop problem based on convolution two-dimensional transformation | |
| Linda et al. | Interval type-2 fuzzy voter design for fault tolerant systems | |
| Gaweda et al. | Data-driven linguistic modeling using relational fuzzy rules | |
| Chawdhry et al. | Soft computing in engineering design and manufacturing | |
| Nie et al. | Rule-based modeling: Fast construction and optimal manipulation | |
| Juang et al. | An interval type-2 neural fuzzy chip with on-chip incremental learning ability for time-varying data sequence prediction and system control | |
| Biswas et al. | A rule generation algorithm from neural network using classified and misclassified data | |
| Sun et al. | A fuzzy brain emotional learning classifier design and application in medical diagnosis | |
| Panchariya et al. | Nonlinear system identification using Takagi-Sugeno type neuro-fuzzy model | |
| Arya et al. | An efficient neuro-fuzzy approach for classification of Iris dataset | |
| Guo et al. | Dynamic neural network structure: A review for its theories and applications | |
| Deshmukh et al. | Implementation of complex fuzzy logic modules with VLSI approach | |
| Mosleh | Numerical solution of fuzzy differential equations under generalized differentiability by fuzzy neural network | |
| De Leone et al. | A successive overrelaxation backpropagation algorithm for neural-network training | |
| Cios et al. | Ontogenic neuro-fuzzy algorithm: F-CID3 | |
| Kowalski et al. | A modified particle swarm optimization procedure for triggering fuzzy flip-flop neural networks | |
| Cardenas et al. | Multi-objective iterative genetic approach for learning fuzzy classification rules with semantic-based selection of the best rule | |
| Mondal et al. | KarNet: An Efficient Boolean Function Simplifier | |
| Chen | Efficient Self-Adaptive Learning Algorithm for TSK-Type Compensatory Neural Fuzzy Networks. | |
| Pramod et al. | A linguistically interpretable ELANFIS for classification problems | |
| Gong et al. | Embedded feature selection approach based on TSK fuzzy system with sparse rule base for high-dimensional classification problems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PD4A | Correction of name of patent owner | ||
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20191220 |