Optimization of Expert Fuzzy Systems

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F25%3A00384807" target="_blank" >RIV/68407700:21110/25:00384807 - isvavai.cz</a>

Výsledek na webu

<a href="https://concrete.fsv.cvut.cz/phdworkshop/" target="_blank" >https://concrete.fsv.cvut.cz/phdworkshop/</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Optimization of Expert Fuzzy Systems

Popis výsledku v původním jazyce

Fuzzy inference expert systems (FIS) provide a powerful framework for modeling complex, nonlinear, and uncertain systems by emulating human-like reasoning through fuzzy rules and membership functions. Tuning these systems to fit measured data remains challenging, especially when their interpretability must be preserved. This paper reviews existing FIS optimization techniques, including MATLAB’s tunefis and ANFIS. It then introduces three new data-driven methods for interpretable FIS tuning: (1) input membership function adjustment via inverse optimization, (2) gradient-based tuning of rule consequents, and (3) Bayesian parameter calibration accounting for measurement uncertainty. Each method is designed to enhance system performance while upholding the logical and semantic structure of fuzzy models. The proposed methods are then applied to a practical example and compared.

Název v anglickém jazyce

Optimization of Expert Fuzzy Systems

Popis výsledku anglicky

Fuzzy inference expert systems (FIS) provide a powerful framework for modeling complex, nonlinear, and uncertain systems by emulating human-like reasoning through fuzzy rules and membership functions. Tuning these systems to fit measured data remains challenging, especially when their interpretability must be preserved. This paper reviews existing FIS optimization techniques, including MATLAB’s tunefis and ANFIS. It then introduces three new data-driven methods for interpretable FIS tuning: (1) input membership function adjustment via inverse optimization, (2) gradient-based tuning of rule consequents, and (3) Bayesian parameter calibration accounting for measurement uncertainty. Each method is designed to enhance system performance while upholding the logical and semantic structure of fuzzy models. The proposed methods are then applied to a practical example and compared.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20101 - Civil engineering

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of Workshop K133

ISBN

978-80-01-07416-9

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

75-79

Název nakladatele

katedra betonových a zděných konstrukcí

Místo vydání

Praha

Místo konání akce

Praha

Datum konání akce

29. 5. 2025

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—