Article

Article title NEW APPROACHES TO CONSTRUCTION OF DATA MINING SYSTEMS ON THE BASIS OF HYBRID METHODS
Authors L.A. Gladkov, N.V. Gladkova
Section SECTION III. ARTIFICIAL INTELLECT AND INDISTINCT SYSTEMS
Month, Year 07, 2010 @en
Index UDC 519.712.2
DOI
Abstract In work the basic differences of methods Data Mining from traditional methods of the analysis are resulted. Also advantages and lacks of methods Data Mining are discussed and offers under their decision on the basis of use of hybrid intellectual technologies and methods of computing intelligence are resulted.Also the basic aspects of application of fuzzy genetic algorithms for the decision of problems of extraction of knowledge are considered. The basic components of the organization and process of interaction of genetic algorithm and the fuzzy logic controller are described.The basic definitions and principles of use of methods of evolutionary designing and modeling, multiagent systems and fuzzy mathematical models at creation of hybrid components of intellectual systems are resulted. Also advantages and lacks of traditional methods are discussed and offers under their decision on the basis of use of hybrid intellectual technologies and methods of computing intelligence are resulted. In the conclusion the substantiation of an urgency of working out of new hybrid methods of the analysis and extraction of data is resulted.

Download PDF

Keywords Data mining; fuzzy genetic algorithm; fuzzy logic controller; fuzzification; defuzzification; multiagent systems; evolutionary designing; evolution models.
References 1. Чубукова И.А. Data Mining. Учебное пособие. – М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006.
2. Курейчик В.М., Курейчик В.В., Родзин С.И. Концепция эволюционных вычислений, инспирированных природными системами // Известия ЮФУ. Технические науки. – 2009. – № 4 (93). – C. 16-25.
3. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. – М.: Высшая школа, 1989.
4. Прангишвили И.В. Системный подход и общесистемные закономерности. – М.: СИНТЕГ, 2000.
5. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. – М.: Горячая линия – Телеком, 2007.
6. Гладков Л.А., Гладкова Н.В. Особенности использования нечетких генетических алгоритмов для решения задач оптимизации и управления // Известия ЮФУ. Технические науки. – 2009. – № 4 (93). – C. 130-136.
7. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. – М.: Финансы и статистика, 2004.
8. Herrera F., Lozano M. Fuzzy Adaptive Genetic Algorithms: design, taxonomy, and future directions. // Soft Computing 7(2003), Springer-Verlag, 2003. – Р. 545-562.
9. Гладков Л.А., Курейчик В.В., Курейчик В.М. Биоинспирированные методы оптимизации. – М.: Физматлит, 2009.
10. Herrera F., Lozano M. Adaptation of genetic algorithm parameters based on fuzzy logic controllers. In: F. Herrera, J. L. Verdegay (eds.) Genetic Algorithms and Soft Computing, Physica-Verlag, Heidelberg, 1996. – Р. 95-124.
11. Курейчик В.М. Модифицированные генетические операторы // Известия ЮФУ. Технические науки. – 2009. – № 12 (101). – C. 7-15.
12. Deb K., Joshi D., Anand A. Real-Coded Evolutionary Algorithms with Parent-Centric Recombination. Kanpur Genetic Algorithms Laboratory (KanGAL), Kanpur, PIN 208 016, India. KanGAL Report No. 2001003.
13. Рассел С., Норвиг П. Искусственный интеллект: современный подход. − М.: Издательский дом «Вильямс», 2006.
14. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям. – М.: Эдиториал УРСС, 2002.
15. Тарасов В.Б., Голубин А.В. Эволюционное проектирование: на границе между проектированием и самоорганизацией // Известия ТРТУ. – 2006. – № 8 (63). – С. 77-82.

Comments are closed.