English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

The paper describes an algorithm for approximation of trained radial basis function neural network (RBFNN) classification boundary with the help of elliptic rules. These rules can later be translated into IF-THEN form if required. We provide experimental results of the algorithm for a two-dimensional case. Currently, neural networks are not widely used and spread due to difficulties with the interpretation of classification decision being made. The formalized representation of decision process is required in many mission critical areas, such as medicine, nuclear energy, finance and others. Šobrīd plaši pielietot neironu tīklus dažādās nozarēs traucē to pieņemto klasifikācijas risinājumu necaurredzamība. Paskaidrojumi ir nepieciešami gan pieņemtā risinājuma validācijai, gan jaunu zināšanu par ieejas datos esošajām likumsakarībām izgūšanai. Šajā rakstā ir piedāvāts algoritms eliptisku likumu izgūšanai. Šeit eliptiskie lēmumi ir definēti kā x^2/a^2 +y^2/b^2 <=1, kur a un b ir elipses rādiusi. Domēna eksperts var viegli izanalizēt šādus likumus, kā arī tos var viegli transformēt uz IF-THEN-ELSE vai citu likumu/zināšanu formu no apmācīta mākslīgā neironu tīkla ar radiālo bāzes funkciju. Tiek aplūkots neizliekts optimizācijas uzdevums, kas tiek risināts ar globālās pārmeklēšanas palīdzību. Piedāvātais algoritms ir realizēts un pielietots RBF neironu tīklam ar ieejas slāni, kura izmērs ir divi. Tā kā pētījuma mērķis bija algoritma iespēju izpēte, nevis klasifikācijas precizitāte, tika izmantota viena sintētiska datu kopa, ar kuras palīdzību tika apmācīts RBF tīkls, izmantojot ortogonālās pazīmju izvēles algoritmu. Šis algoritms ļauj veidot RBF tīklus ar minimālu neironu skaitu ar dažādiem rādiusiem (kas orientēti paralēli koordinātu asīm). Rezultātā iegūtie neironu tīkli uzrāda augstu klasifikācijas līmeni. Rakstā aprakstīti eksperimentu rezultāti un vizualizēti izgūtie eliptiskie likumi, kas tika izgūti no tīkliem ar diviem, sešiem, septiņiem un deviņiem neironiem. Maksimālais likumu skaits, kas izgūti no tīkla, ir septiņi. Eksperimentu rezultāti liecina, ka trijos (no četriem) gadījumos eliptiskie likumi uzrādīja klasifikācijas kļūdu, kura salīdzinājumā ar RBF tīkla klasifikācijas kļūdu ir sliktāka par mazāk nekā vienu procentu. Piedāvāti arī turpmākie pētījuma virzieni На сегодняшний день широкому применению искусственных нейронных сетей в различных отраслях препятствует непрозрачность принимаемого ими классификационного решения. Объяснение требуется как для валидации принятого решения, так и для извлечения новых знаний о взаимосвязях во входных данных. В данной статье предлагается алгоритм извлечения эллиптических правил вида x^2/a^2 +y^2/b^2 <=1, где a и b суть радиусы эллипса. Подобные правила могут быть относительно легко проанализированы доменным экспертом, либо трансформированы в IF_THEN_ELSE или другие виды правил/знаний из обученной искусственной нейронной сети на радиальных базисных функциях. Приводится постановка невыпуклой оптимизационной задачи, которая решается путем глобального поиска. Предложенный алгоритм реализован и применен к РБФ нейронной сети с размером входного слоя, равным двум. Поскольку целью исследования было изучение возможностей алгоритма, а не точности классификации, был использован один искусственный набор данных, на котором была обучена РБФ сеть с применением алгоритма ортогонального выбора признаков. Данный алгоритм позволяет строить РБФ сети с минимальным набором нейронов с различными радиусами (ориентированными параллельно осям координат). В результате полученные нейронные сети показывают высокий уровень классификации. В статье приведены результаты экспериментов, а также визуализированы извлеченные эллиптические правила. Проведено извлечение правил из сетей с двумя, шестью, семью и девятью нейронами. Максимальное количество правил, извлеченных из сети, равно семи. Результаты экспериментов показывают минимальную потерю точности в классификации между извлеченными эллиптическими правилами и аппроксимируемой искусственной нейронной РБФ сетью (в 3 из 4 случаев разница менее 1%). Предложены направления для дальнейших исследований.

The Extraction of Elliptical Rules from the Trained Radial Basis Function Neural Network