Fig. 2. Block diagram of the infere

Fig. 2. Block diagram of the inferencing and rule genera on phases of the model.

III. INFERENCING IN THE FUZZY EXPERT SYSTEM MODEL
The most difficult, time-consuming and expensive task in building an expert system is constructing and debugging its knowledge base. In practice the knowledge base construc¬tion can be said to be the only real task in building an expert system, given the proliferating presence of expert shells. Several approaches have been explored for easing this knowledge-acquisition bottleneck. Connectionist expert systems offer an alternative approach in this regard. Rules are not required to be supplied by humans. Instead, the connection weights encode among themselves, in a distributed fashion, the information conveyed by the input-output combinations of the training set. Such models are especially suitable in data-rich environments and enable human intervention to be minimized. Moreover, using fuzzy neural nets for this purpose, helps one to incorporate the advantages of approximate reasoning [18] into the connectionist expert system. This leads to the design of fuzzy connectionist expert systems [19, 20]. A study of neuro-fuzzy expert systems may be found in [21].
In this work we consider an (H + 1)-layered fuzzy MLP (as depicted in Fig. 1) with 3n neurons in the input layer and l neurons in the output layer, such that there are H - 1 hidden layers. The input vector with components x° represented as
f by (4) is clamped at the input layer while the desired 1-dimensional output vector with components di by (8) is clamped during training at the output layer. At the end of the training phase the model is supposed to have encoded the input-output information distributed among its connection weights. This constitutes the knowledge base of the desired expert system. Handling of imprecise inputs is possible and natural decision is obtained associated with a certainty measure denoting the confidence in the decision. The model is capable of inferencing based on complete and/or partial information, querying the user for unknown input variables that are key to reaching a decision, and producing justifications for inferences in the form of If-Then rules. Fig. 2 gives an overall view of the various stages involved in the process of inferencing and rule generation.
A. Input Representation
The input can be in quantitative, linguistic or set forms or a combination of these. It is represented as a combination of memberships to the three primary linguistic properties low, medium and high as in (4), modelled as 7r-functions. When

Hasil (Bahasa Indonesia) 1:

Gambar 2. Blok diagram dari inferencing dan memerintah genera pada fase model. III. INFERENCING DALAM MODEL KABUR SISTEM PAKARTugas yang paling sulit, memakan waktu dan mahal dalam membangun sistem pakar membangun dan debugging basis pengetahuan. Dalam prakteknya basis pengetahuan construc¬tion dapat dikatakan sebagai tugas hanya nyata dalam membangun sistem pakar, diberikan kehadiran berkembang ahli kerang. Beberapa pendekatan telah dijajaki untuk mengurangi kemacetan akuisisi pengetahuan ini. Oleh o. g. Selfridge ahli sistem menawarkan pendekatan alternatif dalam hal ini. Aturan tidak perlu diberikan oleh manusia. Sebaliknya, bobot koneksi menyandikan antara mereka sendiri, dalam mode didistribusikan, informasi yang disampaikan oleh kombinasi input-output set pelatihan. Model tersebut sangat cocok di data-kaya lingkungan dan mengaktifkan intervensi manusia yang akan diminimalkan. Selain itu, menggunakan jaring saraf kabur untuk tujuan ini, membantu kita untuk menggabungkan keuntungan dari perkiraan penalaran [18] ke sistem pakar oleh o. g. Selfridge. Hal ini menyebabkan desain kabur oleh o. g. Selfridge ahli sistem [19, 20]. Sebuah studi neuro-fuzzy ahli sistem dapat ditemukan di [21].Dalam karya ini kita mempertimbangkan (H + 1) - berlapis kabur MLP (seperti yang digambarkan dalam Fig. 1) dengan 3n neuron dalam lapisan masukan dan l neuron dalam lapisan output, sehingga ada H - 1 lapisan tersembunyi. Vektor masukan dengan komponen x ° diwakili sebagaif by (4) is clamped at the input layer while the desired 1-dimensional output vector with components di by (8) is clamped during training at the output layer. At the end of the training phase the model is supposed to have encoded the input-output information distributed among its connection weights. This constitutes the knowledge base of the desired expert system. Handling of imprecise inputs is possible and natural decision is obtained associated with a certainty measure denoting the confidence in the decision. The model is capable of inferencing based on complete and/or partial information, querying the user for unknown input variables that are key to reaching a decision, and producing justifications for inferences in the form of If-Then rules. Fig. 2 gives an overall view of the various stages involved in the process of inferencing and rule generation.A. Input RepresentationThe input can be in quantitative, linguistic or set forms or a combination of these. It is represented as a combination of memberships to the three primary linguistic properties low, medium and high as in (4), modelled as 7r-functions. When

Hasil (Bahasa Indonesia) 2:

Gambar. 2. Blok diagram dari inferensia dan aturan genera pada fase model. III. Inferencing DI FUZZY SISTEM PAKAR MODEL Yang paling sulit, memakan waktu dan tugas mahal dalam membangun sistem pakar adalah membangun dan debugging basis pengetahuan. Dalam prakteknya pengetahuan dasar construc¬tion dapat dikatakan satu-satunya tugas nyata dalam membangun sistem pakar, mengingat adanya berkembang biak kerang ahli. Beberapa pendekatan telah dieksplorasi untuk mengurangi pengetahuan-akuisisi ini hambatan. Sistem pakar koneksionis menawarkan pendekatan alternatif dalam hal ini. Aturan tidak perlu dipasok oleh manusia. Sebaliknya, bobot koneksi mengkodekan antara mereka sendiri, secara terdistribusi, informasi yang disampaikan oleh kombinasi input-output dari training set. Model tersebut sangat cocok di lingkungan yang kaya data dan memungkinkan intervensi manusia harus diminimalkan. Selain itu, dengan menggunakan jaring saraf kabur untuk tujuan ini, membantu satu untuk menggabungkan keuntungan dari penalaran perkiraan [18] ke dalam sistem pakar koneksionis. Hal ini menyebabkan desain fuzzy sistem pakar koneksionis [19, 20]. Sebuah studi dari sistem pakar neuro-fuzzy dapat ditemukan di [21]. Dalam karya ini kita mempertimbangkan (H + 1) -layered kabur MLP (seperti yang digambarkan dalam Gambar. 1) dengan neuron 3n di lapisan input dan l neuron di lapisan output, sehingga ada H - 1 lapisan tersembunyi. Input vektor dengan komponen x ° direpresentasikan sebagai f oleh (4) dijepit pada lapisan masukan sedangkan diinginkan 1-dimensi keluaran vektor dengan komponen di oleh (8) dijepit selama pelatihan pada lapisan output. Pada akhir fase pelatihan model seharusnya telah dikodekan informasi input-output didistribusikan di antara bobot koneksi. Ini merupakan basis pengetahuan dari sistem pakar yang diinginkan. Penanganan input tidak tepat adalah mungkin dan keputusan alam diperoleh terkait dengan ukuran kepastian yang menunjukkan kepercayaan dalam keputusan. Model ini mampu inferensia berdasarkan informasi yang lengkap dan / atau parsial, query pengguna untuk variabel input yang tidak diketahui yang merupakan kunci untuk mencapai keputusan, dan memproduksi pembenaran untuk kesimpulan dalam bentuk Jika-Maka aturan. Gambar. 2 memberikan gambaran menyeluruh dari berbagai tahap yang terlibat dalam proses inferensia dan pembangkitan rule. A. Representasi masukan masukan dapat dalam bentuk kuantitatif, linguistik atau mengatur atau kombinasi dari ini. Hal ini direpresentasikan sebagai kombinasi dari keanggotaan ke tiga sifat linguistik utama rendah, sedang dan tinggi seperti dalam (4), dimodelkan sebagai 7R-fungsi. Kapan