information [10] in expert systems,

information [10] in expert systems, the causes being unreliable information, imprecise descriptive languages, inferencing with incomplete information, and poor combination of knowledge from different experts.
In this work we consider an application of the fuzzy version of the MLP (already developed by the authors) [12] to design a connectionist expert system. The model is expected to be capable of handling uncertainty and/or impreciseness in the in-put representation, inferring output class membership value(s) for complete and/or partial inputs along with a certainty measure, querying the user for the more essential missing input information and providing justification (in the form of rules) for any inferred decision. Note that the input can be in quantitative, linguistic or set forms or a combination of these. The model is likely to be suitable in data-rich environments for designing classification-type expert systems.
Initially, in the learning phase the training samples are presented to the network in cycles until it finally converges to a minimum error solution. The connection weights in this stage constitute the knowledge base. Finally, in the testing phase the network infers the output class membership values for unknown test samples. When partial information about a test vector is presented at the input, the model either infers its category or asks the user for relevant information in the order of their relative importance (decided from the learned connection weights). A measure of confidence (certainty) expressing belief in the decision is also defined.
If asked by the user, the proposed model is capable of justifying its decision in rule form with the antecedent and consequent parts produced in linguistic and natural terms. The connection weights and the certainty measure are used for this purpose. It is expected that the model may be able to generate a number of such rules in If-Then form. These rules can then also be used to automatically form the knowledge base of a traditional expert system.
The effectiveness of the algorithm is demonstrated on the speech recognition problem, on some medical data and on artificially generated intractable (linearly nonseparable) pattern classes.

Hasil (Bahasa Indonesia) 1:

informasi [10] dalam sistem ahli, penyebab yang diandalkan informasi, tidak tepat bahasa yang deskriptif, inferencing dengan informasi yang tidak lengkap, dan miskin kombinasi pengetahuan dari para ahli yang berbeda.Dalam karya ini kita mempertimbangkan aplikasi dari versi kabur MLP (sudah dikembangkan oleh penulis) [12] untuk merancang oleh o. g. Selfridge ahli sistem. Model ini diharapkan akan mampu menangani ketidakpastian dan/atau impreciseness pada perwakilan di-put, dalam menyimpulkan output kelas keanggotaan value(s) lengkap dan/atau parsial masukan bersama dengan ukuran kepastian, query pengguna untuk lebih penting hilang masukan informasi dan memberikan pembenaran (dalam bentuk aturan) untuk keputusan inferred. Perhatikan bahwa input yang dapat dalam bentuk kuantitatif, linguistik atau mengatur atau kombinasi ini. Model ini cenderung cocok dalam lingkungan data-kaya untuk merancang sistem klasifikasi-tipe ahli.Pada awalnya, dalam tahap belajar sampel pelatihan disajikan ke jaringan dalam siklus sampai akhirnya menyatu ke solusi minimal kesalahan. Bobot koneksi pada tahap ini merupakan pangkalan pengetahuan. Akhirnya, dalam tahap pengujian jaringan menyimpulkan nilai keanggotaan kelas output untuk sampel uji yang tidak diketahui. Ketika sebagian informasi tentang tes vektor disajikan di input, model menyimpulkan kategori atau meminta pengguna untuk informasi yang relevan dalam mereka relatif pentingnya (memutuskan dari bobot belajar koneksi). Ukuran keyakinan (kepastian) mengungkapkan keyakinan dalam keputusan ini juga didefinisikan.Jika diminta oleh pengguna, model yang diusulkan ini mampu membenarkan keputusan dalam bentuk aturan dengan bagian pendahuluan dan konsekuen diproduksi secara linguistik dan alami. Bobot koneksi dan mengukur kepastian yang digunakan untuk tujuan ini. Diharapkan bahwa model mungkin mampu menghasilkan sejumlah aturan seperti itu dalam bentuk jika-maka. Aturan ini dapat kemudian juga dapat digunakan untuk secara otomatis membentuk basis pengetahuan tradisional ahli sistem.Efektivitas dari algoritma ini ditunjukkan pada pidato pengakuan masalah, pada beberapa data medis dan pada buatan dihasilkan terselesaikan (linear nonseparable) pola kelas.

Hasil (Bahasa Indonesia) 2:

informasi [10] dalam sistem pakar, penyebab menjadi informasi yang tidak dapat diandalkan, bahasa deskriptif tidak tepat, inferensia dengan informasi yang tidak lengkap, dan kombinasi miskin pengetahuan dari para ahli yang berbeda.
Dalam karya ini kita mempertimbangkan aplikasi dari versi kabur dari MLP (sudah dikembangkan oleh penulis) [12] untuk merancang suatu sistem pakar koneksionis. Model ini diharapkan mampu menangani ketidakpastian dan / atau impreciseness di dalam menempatkan representasi, menyimpulkan nilai keanggotaan kelas keluaran (s) dan / atau masukan parsial lengkap bersama dengan ukuran kepastian, query pengguna untuk hilang lebih penting informasi masukan dan memberikan pembenaran (dalam bentuk aturan) untuk setiap keputusan disimpulkan. Perhatikan bahwa input bisa dalam bentuk kuantitatif, linguistik atau mengatur atau kombinasi dari ini. Model ini mungkin cocok di lingkungan yang kaya data untuk merancang klasifikasi tipe sistem pakar.
Awalnya, dalam tahap belajar sampel pelatihan disajikan ke jaringan dalam siklus sampai akhirnya konvergen ke solusi error minimum. Bobot sambungan dalam tahap ini merupakan basis pengetahuan. Akhirnya, dalam tahap pengujian jaringan menyimpulkan nilai-nilai keanggotaan kelas output untuk sampel uji yang tidak diketahui. Ketika sebagian informasi tentang vektor uji disajikan pada masukan, model baik menyimpulkan kategori atau meminta user untuk informasi yang relevan dalam urutan kepentingan relatif mereka (memutuskan dari bobot hubungan belajar). Ukuran kepercayaan (kepastian) mengungkapkan keyakinan dalam keputusan tersebut juga didefinisikan.
Jika diminta oleh pengguna, model yang diusulkan mampu membenarkan keputusannya dalam bentuk aturan dengan anteseden dan bagian konsekuen diproduksi dalam hal bahasa dan alami. Koneksi bobot dan ukuran kepastian digunakan untuk tujuan ini. Diharapkan model mungkin dapat menghasilkan sejumlah aturan seperti dalam bentuk Jika-Maka. Aturan-aturan ini kemudian juga dapat digunakan untuk secara otomatis membentuk basis pengetahuan dari sistem pakar tradisional.
Efektivitas algoritma ditunjukkan pada masalah pengenalan suara, pada beberapa data medis dan artifisial yang dihasilkan keras (linear nonseparable) kelas pola.