A neuro-fuzzy network incorporates

A neuro-fuzzy network incorporates fuzzy, rather than crisp, membership functions in its structure and has the ability to learn when presented with training data [33]. After training, such a network can be used as a classifier. The fuzzy neural network classifier builds decision boundaries by creating subsets of the pattern space. It is a model-free estimator and does not make assumptions of how outputs depend on inputs. Instead, it adjusts itself to a given training set by learning algorithms and decides the boundaries of classes. When given an unknown pattern, the fuzzy inference network classifier uses the learned knowledge to estimate the membership value of this pattern in each class and classify the input pattern according to the membership values.
To implement the IE, we have used the fuzzy neural net architecture introduced in [33], trained to represent the expert knowledge of a particular product domain. For instance, in the case of a personal computer RS, experts develop training patterns to represent the varying needs profiles of customers along with their corresponding feature sets for a recommended PC. The inference process is fast, online.

Hasil (Bahasa Indonesia) 1:

Jaringan neuro fuzzy menggabungkan kabur, daripada renyah, keanggotaan fungsi dalam strukturnya dan memiliki kemampuan untuk belajar ketika disajikan dengan pelatihan data [33]. Setelah pelatihan, seperti jaringan dapat digunakan sebagai classifier. Classifier jaringan saraf yang kabur membangun batas-batas keputusan dengan menciptakan subset dari pola ruang. Ini adalah bebas model pengukur dan tidak membuat asumsi bagaimana output tergantung pada input. Sebaliknya, itu menyesuaikan diri untuk pelatihan tertentu yang ditetapkan oleh algoritma belajar dan menentukan batas-batas kelas. Ketika diberikan sebuah pola yang tidak diketahui, fuzzy kesimpulan jaringan classifier menggunakan pengetahuan belajar untuk memperkirakan nilai keanggotaan pola ini dalam setiap kelas dan mengklasifikasikan pola masukan sesuai nilai-nilai keanggotaan.Untuk menerapkan IE, kita telah menggunakan kabur saraf arsitektur bersih yang diperkenalkan di [33], dilatih untuk mewakili pengetahuan pakar domain produk tertentu. Sebagai contoh, dalam kasus komputer pribadi RS, ahli mengembangkan pola pelatihan untuk mewakili berbagai kebutuhan profil pelanggan dengan fitur sesuai mereka set untuk PC direkomendasikan. Kesimpulan proses cepat, online.

Hasil (Bahasa Indonesia) 2:

Sebuah jaringan neuro-fuzzy menggabungkan kabur, daripada renyah, fungsi keanggotaan dalam struktur dan memiliki kemampuan untuk belajar ketika disajikan dengan data pelatihan [33]. Setelah pelatihan, jaringan tersebut dapat digunakan sebagai classifier a. Fuzzy neural classifier jaringan membangun batas-batas keputusan dengan menciptakan subset dari ruang pola. Ini adalah estimator model yang bebas dan tidak membuat asumsi tentang bagaimana output tergantung pada masukan. Sebaliknya, menyesuaikan diri dengan pelatihan yang diberikan ditetapkan oleh algoritma belajar dan memutuskan batas-batas kelas. Ketika diberi pola yang tidak diketahui, fuzzy classifier jaringan inferensi menggunakan pengetahuan yang dipelajari untuk memperkirakan nilai keanggotaan pola ini di setiap kelas dan mengklasifikasikan pola masukan sesuai dengan nilai-nilai keanggotaan.
Untuk melaksanakan IE, kami telah menggunakan arsitektur net kabur saraf diperkenalkan pada [33], dilatih untuk mewakili pengetahuan ahli dari domain produk tertentu. Misalnya, dalam kasus komputer pribadi RS, ahli mengembangkan pola pelatihan untuk mewakili kebutuhan profil bervariasi dari pelanggan bersama dengan fitur set yang sesuai mereka untuk PC dianjurkan. Proses inferensi cepat, online.