understandable rules. The algorithm

understandable rules. The algorithm allows one to discover both positive and negative rules, and can deal with fuzzy class bound¬aries as well as missing values in databases. The use of fuzzy techniques buries the boundaries of adjacent intervals of nu¬meric quantities, resulting in resilience to noises such as inaccu¬racies in physical measurements of real life entities. The effec¬tiveness of the algorithm was demonstrated on a transactional database of a PBX system and a database concerning industrial enterprises in mainland China.
3) FunctionalDependencies: Fuzzy logic has been used for analyzing inference based on functional dependencies (FDs), between variables, in database relations. Fuzzy inference gen-eralizes both imprecise (set-valued) and precise inference. Sim-ilarly, fuzzy relational databases generalize their classical and imprecise counterparts by supporting fuzzy information storage and retrieval [50]. Inference analysis is performed using a spe¬cial abstract model which maintains vital links to classical, im¬precise and fuzzy relational database models. These links in-crease the utility of the inference formalism in practical applica¬tions involving “catalytic inference analysis,” including knowl¬edge discovery and database security. FDs are an interesting no¬tion from a knowledge discovery standpoint since they allow one to express, in a condensed form, some properties of the real world which are valid on a given database. These properties can then be used in various applications such as reverse engineering or query optimization. Bosc et al. [51] use a data mining algo¬rithm to extract/discover extended FDs, represented by gradual rules composed of linguistic variables.
4) Data Summarization: Summary discovery is one of the major components of knowledge discovery in databases. This provides the user with comprehensive information for grasping the essence from a large amount of information in a database. Fuzzy set theory is also used for data summarization [46]. Typ¬ically, fuzzy sets are used for an interactive top-down summary discovery process which utilizes fuzzy IS-A hierarchies as do-main knowledge. Here generalized tuples are used as a represen¬tational form of a database summary including fuzzy concepts. By virtue of fuzzy IS-A hierarchies, where fuzzy IS-A relation-ships common in actual domains are naturally expressed, the discovery process comes up with more accurate database sum¬maries.
Linguistic summaries of large sets of data are derived as linguistically quantified propositions with a degree of validity [47]. This corresponds to the preference criterion involved in the mining task. The system consists of a summarizer (like, young), a quantity in agreement (like, most), and the truth/validity (say, 0.7). Single-attribute simple summarizers often need to be extended for some confluence of attribute values, implying combinatorial problems due to the huge number (all possible combinations) of summaries involved and the determination of the most appropriate/valid one.
It is found that often the most interesting linguistic summaries are nontrivial and human-consistent concepts, involving com¬plicated combinations of attributes. In practice, this cannot be generated automatically and human assistance/interaction is re¬quired. Kacprzyk and Zadrozny [48] have developed FQUERY, a fuzzy querying add-on for Access, for an interactive linguistic summarization using natural terms and comprehensible quan
tifiers. It supports various fuzzy elements in queries, including interval attributes with membership for matching in a fuzzy rela¬tion and importance coefficients. First the user has to formulate a set of linguistic summaries of interest. The system then re¬trieves records from the database and calculates the validity of each summary. Finally, a most appropriate linguistic summary is selected. The scheme has also been used for fuzzy querying over the Internet, using a WWW browser like Microsoft Explorer or Netscape Navigator. The definition of fuzzy values, fuzzy rela¬tions, and linguistic quantifiers is via Java applets.
Chiang et al. [52] have used fuzzy linguistic summary for mining time series data. The system provides human interac-tion, in the form of a graphic display tool, to help users premine a database and determine what knowledge could be discovered. The model is used to predict the on-line utilization ranks of dif¬ferent resources, including CPU and real storage.
5) Web Application: Mining typical user profiles and URL associations from the vast amount of access logs is an important component of Web personalization, that deals with tailoring a user’s interaction with the Web information space based on in-formation about him/her. Nasraoui et al. [64] have defined a user session as a temporally compact sequence of Web accesses by a user and used a dissimilarity measure between two Web ses¬sions to capture the organization of a Web site. Their goal is to categorize these sessions using Web mining.
6) Image Retrieval: Recent increase in the size of multi-media information repositories, consisting of mixed media data, has made content-based image retrieval (CBIR) an active re-search area [65]. Unlike traditional database techniques which retrieve images based on exact matching of keywords, CBIR systems represent the information content of an image by vi¬sual features such as color, texture, and shape, and retrieve im¬ages based on similarity of features. Frigui [66] has developed an interactive and iterative image retrieval system that takes into account the subjectivity of human perception of visual content. The feature relevance weights are learned from the user’s posi¬tive and negative feedback, and the Choquet integral is used as a dissimilarity measure. The smooth transition in the user’s feed-back is modeled by continuous fuzzy membership functions. Medasani and Krishnapuram [67] have designed a fuzzy ap¬proach to handle complex linguistic queries consisting of mul¬tiple attributes. Such queries are usually more natural, user-friendly, and interpretable for image retrieval. The degree to which an image satisfies an attribute is given by the member-ship value of the feature vector corresponding to the image in the membership function for the attribute. Fuzzy connectives are used to combine the degrees of satisfaction of multiple attributes in a complex query to arrive at an overall degree of satisfaction while ranking images for retrieval.

Hasil (Bahasa Indonesia) 1:

aturan-aturan yang dapat dimengerti. Algoritma memungkinkan seseorang untuk menemukan aturan baik positif maupun negatif, dan dapat menangani kabur kelas bound¬aries serta nilai-nilai sebagai hilang dalam database. Penggunaan teknik kabur mengubur batas-batas berdekatan interval jumlah nu¬meric, yang mengakibatkan ketahanan terhadap suara-suara seperti inaccu¬racies dalam pengukuran fisik entitas kehidupan nyata. Effec¬tiveness dari algoritma ditunjukkan pada database transaksional sistem PBX dan database mengenai perusahaan industri di daratan Cina.3) FunctionalDependencies: Logika Fuzzy telah digunakan untuk menganalisis kesimpulan berdasarkan dependensi fungsional (FDs), antara variabel, dalam hubungan database. Kesimpulan kabur gen-eralizes keduanya tidak tepat (set-bernilai) dan kesimpulan yang tepat. SIM-ilarly, database relasional kabur menggeneralisasi rekan-rekan mereka klasik dan tidak tepat dengan mendukung penyimpanan informasi kabur dan pengambilan [50]. Kesimpulan analisis dilakukan dengan menggunakan spe¬cial model abstrak yang mempertahankan vital link ke klasik, im¬precise dan model database relasional yang kabur. Link ini di lipatan utilitas formalism kesimpulan di applica¬tions praktis yang melibatkan "katalitik kesimpulan analisa," termasuk keamanan penemuan dan database knowl¬edge. FDs adalah no¬tion menarik dari sudut pandang penemuan pengetahuan karena mereka memungkinkan seseorang untuk mengekspresikan, dalam bentuk kental, beberapa properti dunia nyata yang berlaku pada database tertentu. Properti ini kemudian dapat digunakan dalam berbagai aplikasi seperti pembalikan engineering atau permintaan optimasi. Bosc et al. [51] menggunakan data pertambangan algo¬rithm untuk ekstrak/temukan FDs diperpanjang, diwakili oleh aturan bertahap yang terdiri dari variabel linguistik.4) data Summarization: Ringkasan penemuan adalah salah satu komponen utama dari penemuan pengetahuan dalam database. Ini menyediakan pengguna dengan informasi yang komprehensif untuk menangkap esensi dari sejumlah besar informasi dalam sebuah database. Teori himpunan kabur juga digunakan untuk data summarization [46]. Typ¬ically, fuzzy set yang digunakan untuk proses interaktif top-down ringkasan penemuan yang memanfaatkan kabur IS-A hierarki sebagai pengetahuan do-main. Di sini tupel-tupel yang umum digunakan sebagai bentuk represen¬tational ringkasan database termasuk konsep-konsep yang kabur. Berdasarkan hierarki IS-A fuzzy, mana kabur IS-A hubungan-kapal umum di sebenarnya domain secara alami dinyatakan, proses penemuan datang dengan lebih akurat database sum¬maries.Linguistik ringkasan besar set data berasal sebagai proposisi berlatar diukur dengan gelar validitas [47]. Ini sesuai dengan kriteria preferensi yang terlibat dalam tugas pertambangan. Sistem terdiri dari ringkasan (seperti, muda), kuantitas dalam Perjanjian (seperti, kebanyakan), dan kebenaran/validitas (katakanlah, 0.7). Atribut-tunggal sederhana summarizers sering perlu untuk diperpanjang untuk beberapa pertemuan nilai atribut, menyiratkan Kombinatorial masalah karena jumlah besar (semua kemungkinan kombinasi) ringkasan terlibat dan penentuan yang paling sesuai/valid.Hal ini ditemukan bahwa sering ringkasan linguistik paling menarik adalah konsep-konsep yang nontrivial dan konsisten manusia, melibatkan com¬plicated kombinasi atribut. Dalam prakteknya, ini tidak dapat dihasilkan secara otomatis dan bantuan/interaksi manusia adalah re¬quired. Kacprzyk dan Zadrozny [48] telah mengembangkan FQUERY, sebuah fuzzy query add-on untuk akses, untuk summarization linguistik interaktif menggunakan istilah alam dan dipahami quan tifiers. Mendukung berbagai elemen yang kabur di pertanyaan, termasuk interval atribut dengan keanggotaan untuk pencocokan di koefisien rela¬tion dan pentingnya kabur. Pertama kali pengguna harus merumuskan seperangkat linguistik ringkasan menarik. Sistem kemudian re¬trieves catatan dari database dan menghitung validitas setiap ringkasan. Akhirnya, sebuah ringkasan linguistik yang paling sesuai yang dipilih. Skema juga telah digunakan untuk query kabur melalui Internet, menggunakan browser WWW seperti Microsoft Explorer atau Netscape Navigator. Definisi nilai-nilai yang kabur, rela¬tions yang kabur, dan linguistik berkaitan dengan kuantitas adalah melalui Java Applet.Chiang et al. [52] telah menggunakan ringkasan linguistik kabur untuk pertambangan data time series. Sistem menyediakan interac-tion manusia, dalam bentuk alat tampilan grafis, untuk membantu pengguna premine database dan menentukan apa pengetahuan dapat ditemukan. Model ini digunakan untuk memprediksi jajaran on-line pemanfaatan sumber daya dif¬ferent, termasuk CPU dan penyimpanan nyata.5) Web Application: Mining typical user profiles and URL associations from the vast amount of access logs is an important component of Web personalization, that deals with tailoring a user’s interaction with the Web information space based on in-formation about him/her. Nasraoui et al. [64] have defined a user session as a temporally compact sequence of Web accesses by a user and used a dissimilarity measure between two Web ses¬sions to capture the organization of a Web site. Their goal is to categorize these sessions using Web mining.6) Image Retrieval: Recent increase in the size of multi-media information repositories, consisting of mixed media data, has made content-based image retrieval (CBIR) an active re-search area [65]. Unlike traditional database techniques which retrieve images based on exact matching of keywords, CBIR systems represent the information content of an image by vi¬sual features such as color, texture, and shape, and retrieve im¬ages based on similarity of features. Frigui [66] has developed an interactive and iterative image retrieval system that takes into account the subjectivity of human perception of visual content. The feature relevance weights are learned from the user’s posi¬tive and negative feedback, and the Choquet integral is used as a dissimilarity measure. The smooth transition in the user’s feed-back is modeled by continuous fuzzy membership functions. Medasani and Krishnapuram [67] have designed a fuzzy ap¬proach to handle complex linguistic queries consisting of mul¬tiple attributes. Such queries are usually more natural, user-friendly, and interpretable for image retrieval. The degree to which an image satisfies an attribute is given by the member-ship value of the feature vector corresponding to the image in the membership function for the attribute. Fuzzy connectives are used to combine the degrees of satisfaction of multiple attributes in a complex query to arrive at an overall degree of satisfaction while ranking images for retrieval.

Hasil (Bahasa Indonesia) 2:

aturan dimengerti. Algoritma memungkinkan seseorang untuk menemukan aturan baik positif maupun negatif, dan dapat menangani bound¬aries kelas kabur serta nilai-nilai yang hilang dalam database. Penggunaan teknik kabur mengubur batas-batas interval yang berdekatan dari jumlah nu¬meric, sehingga ketahanan terhadap suara seperti inaccu¬racies dalam pengukuran fisik entitas kehidupan nyata. The effec¬tiveness algoritma ditunjukkan pada database transaksional sistem PBX dan database mengenai perusahaan industri di Cina daratan.
3) FunctionalDependencies: Logika Fuzzy telah digunakan untuk menganalisis inferensi berdasarkan dependensi fungsional (FD), antara variabel, dalam hubungan basis data. Inferensi Fuzzy gen-eralizes kedua tidak tepat (set-dihargai) dan tepat inferensi. Sim-ilarly, database relasional kabur menggeneralisasi rekan-rekan klasik dan tepat dengan mendukung penyimpanan informasi fuzzy dan pengambilan [50]. Analisis inferensi dilakukan menggunakan model abstrak spe¬cial yang mempertahankan link penting untuk klasik, im¬precise dan model database relasional fuzzy. Link ini di-lipatan utilitas dari formalisme inferensi dalam applica¬tions praktis yang melibatkan "analisis inferensi katalitik," termasuk penemuan knowl¬edge dan keamanan database. FD adalah no¬tion menarik dari sudut pandang penemuan pengetahuan karena mereka memungkinkan seseorang untuk mengekspresikan, dalam bentuk kental, beberapa sifat dari dunia nyata yang berlaku pada database yang diberikan. Properti ini kemudian dapat digunakan dalam berbagai aplikasi seperti reverse engineering atau optimasi query. Bosc dkk. [51] menggunakan algo¬rithm data mining untuk mengekstrak / discover diperpanjang FD, diwakili oleh aturan bertahap terdiri dari variabel linguistik.
4) Data Summarization: Ringkasan Penemuan adalah salah satu komponen utama dari penemuan pengetahuan dalam database. Ini menyediakan pengguna dengan informasi yang komprehensif untuk menangkap esensi dari sejumlah besar informasi dalam database. Teori himpunan fuzzy juga digunakan untuk data summarization [46]. Typ¬ically, fuzzy set digunakan untuk proses penemuan interaktif top-down Ringkasan yang memanfaatkan kabur IS-A hierarki pengetahuan do-main. Tupel Berikut umum digunakan sebagai bentuk represen¬tational dari ringkasan database yang termasuk konsep fuzzy. Berdasarkan kabur IS-A hierarki, di mana kabur IS-A hubungan-kapal umum di domain yang sebenarnya secara alami mengungkapkan, proses penemuan datang dengan sum¬maries basis data yang lebih akurat.
Ringkasan Linguistic set besar data yang berasal sebagai bahasa diukur proposisi dengan tingkat validitas [47]. Ini sesuai dengan kriteria preferensi yang terlibat dalam tugas pertambangan. Sistem ini terdiri dari Summarizer (seperti, muda), kuantitas dalam perjanjian (seperti, kebanyakan), dan kebenaran / keabsahan (katakanlah, 0,7). Single-atribut summarizers sederhana sering perlu untuk diperpanjang untuk beberapa pertemuan nilai atribut, menyiratkan masalah kombinatorial karena jumlah besar (semua kemungkinan kombinasi) dari ringkasan yang terlibat dan penentuan yang paling tepat / valid satu.
Hal ini ditemukan bahwa sering paling menarik ringkasan linguistik yang trivial dan-manusia konsisten konsep, yang melibatkan kombinasi com¬plicated atribut. Dalam prakteknya, hal ini tidak dapat dihasilkan secara otomatis dan manusia bantuan / interaksi re¬quired. Kacprzyk dan Zadrozny [48] telah mengembangkan FQUERY, sebuah query kabur add-on untuk Access, untuk summarization linguistik interaktif menggunakan istilah alam dan quan dipahami
tifiers. Mendukung berbagai elemen fuzzy query, termasuk atribut Interval dengan keanggotaan untuk pencocokan dalam kabur rela¬tion dan pentingnya koefisien. Pertama pengguna harus merumuskan seperangkat ringkasan linguistik yang menarik. Sistem kemudian re¬trieves catatan dari database dan menghitung validitas setiap ringkasan. Akhirnya, ringkasan bahasa yang paling tepat dipilih. Skema ini juga telah digunakan untuk query kabur melalui Internet, dengan menggunakan browser WWW seperti Microsoft Explorer atau Netscape Navigator. Definisi nilai fuzzy, rela¬tions fuzzy, dan bilangan linguistik adalah melalui applet Java.
Chiang et al. [52] telah digunakan Ringkasan linguistik fuzzy data time series pertambangan. Sistem ini memberikan manusia interaksi yang-tion, dalam bentuk alat tampilan grafis, untuk membantu pengguna premine database dan menentukan apa pengetahuan bisa ditemukan. Model ini digunakan untuk memprediksi on-line jajaran pemanfaatan sumber daya dif¬ferent, termasuk CPU dan penyimpanan nyata.
5) Aplikasi Web: Pertambangan profil pengguna biasa dan asosiasi URL dari sejumlah besar akses log merupakan komponen penting dari Web personalisasi , yang berhubungan dengan menjahit interaksi pengguna dengan ruang informasi web berdasarkan in-formasi tentang dia / nya. Nasraoui dkk. [64] telah didefinisikan sesi pengguna sebagai urutan temporal kompak Web akses oleh pengguna dan digunakan ukuran perbedaan antara dua ses¬sions Web untuk menangkap organisasi dari situs Web. Tujuan mereka adalah untuk mengkategorikan sesi ini menggunakan tambang Web.
6) Image Retrieval: peningkatan terbaru dalam ukuran repositori informasi multi-media, yang terdiri dari data media campuran, telah membuat pengambilan gambar berbasis konten (CBIR) daerah re-pencarian aktif [65]. Tidak seperti teknik database tradisional yang mengambil gambar berdasarkan pencocokan yang tepat dari kata kunci, sistem CBIR mewakili isi informasi dari suatu gambar dengan fitur vi¬sual seperti warna, tekstur, dan bentuk, dan mengambil im¬ages berdasarkan kesamaan fitur. Frigui [66] telah mengembangkan sebuah gambar sistem pencarian interaktif dan berulang yang memperhitungkan subjektivitas persepsi manusia dari konten visual. Bobot Fitur relevansi dipelajari dari umpan balik posi¬tive dan negatif pengguna, dan integral Choquet digunakan sebagai ukuran perbedaan. Transisi mulus di pengguna umpan balik dimodelkan oleh fungsi keanggotaan Fuzzy terus menerus. Medasani dan Krishnapuram [67] telah merancang ap¬proach fuzzy untuk menangani pertanyaan linguistik kompleks yang terdiri dari atribut mul¬tiple. Query seperti biasanya lebih alami, user-friendly, dan ditafsirkan untuk pengambilan gambar. Sejauh mana gambar memenuhi atribut diberikan oleh nilai anggota-kapal dari vektor fitur yang sesuai dengan gambar di fungsi keanggotaan untuk atribut. Connectives Fuzzy digunakan untuk menggabungkan derajat kepuasan beberapa atribut dalam query yang kompleks untuk tiba di gelar keseluruhan kepuasan sementara peringkat gambar untuk pengambilan.