F. Other HybridizationsBanerjee et

F. Other Hybridizations
Banerjee et al. [21] have used a rough-neuro-fuzzy integration to design a knowledge-based system, where the theory of rough sets is utilized for extracting domain knowledge. In the said rough-fuzzy MLP, the extracted crude domain knowledge is en-coded among the connection weights. Rules are generated from a decision table by computing relative reducts. The network topology is automatically determined and the dependency fac¬tors of these rules are encoded as the initial connection weights. The hidden nodes model the conjuncts in the antecedent part of a rule, while the output nodes model the disjuncts. Various other rough-fuzzy hybridizations for intelligent system design are re-ported in [79].
A promising direction in mining a huge dataset is to 1) parti-tion it; 2) develop classifiers for each module; and 3) combine the results. A modular approach has been pursued [22], [68], [80] to combine the knowledge-based rough-fuzzy MLP sub-networks/modules generated for each class, using GAs. Fig. 5 depicts the knowledge flow for the entire process. An -class classification problem is split into two-class problems. De-pendency rules are extracted directly from real-valued attribute table consisting of fuzzy membership values by adaptively ap¬plying a threshold. The final network is evolved using a GA with restricted mutation operator, in a novel rough-neuro -fuzzy-ge¬netic framework. The divide and conquer strategy, followed by evolutionary optimization, is found to enhance the performance of the network.
George and Srikanth [49] have used a fuzzy-genetic integra-tion, where GAs are applied to determine the most appropriate data summary. Kiem and Phuc [30] have developed a rough-neuro -genetic hybridization for discovering conceptual clusters from a large database.

Hasil (Bahasa Indonesia) 1:

F. lain HybridizationsBanerjee et al. [21] telah menggunakan integrasi yang kasar-neuro-kabur untuk merancang sistem berbasis pengetahuan, mana teori kasar set ini digunakan untuk mengekstrak domain pengetahuan. Dalam kasar-kabur MLP berkata, diekstrak mentah domain pengetahuan en-kode antara bobot koneksi. Aturan yang dihasilkan dari tabel keputusan oleh komputasi relatif reducts. Topologi jaringan secara otomatis ditentukan dan ketergantungan fac¬tors aturan-aturan ini disandikan sebagai beban awal koneksi. Node tersembunyi model conjuncts di bagian yg aturan, sementara output node model disjuncts. Berbagai hybridizations lain kasar-kabur untuk desain sistem cerdas kembali porting di [79].A menjanjikan arah dalam pertambangan dataset besar yang ke 1) parti-tion; 2) mengembangkan kelompok untuk setiap modul; dan 3) menggabungkan hasil. Pendekatan modular telah pursued [22], [68], [80] untuk menggabungkan berbasis pengetahuan kasar-kabur MLP sub-networks/modul yang dihasilkan untuk setiap kelas, menggunakan GAs. Gambar 5 menggambarkan aliran pengetahuan untuk seluruh proses. Kelas - klasifikasi masalah dibagi menjadi dua kelas masalah. De-independensi aturan yang diambil langsung dari meja bernilai nyata atribut yang terdiri dari nilai-nilai keanggotaan kabur oleh adaptively ap¬plying ambang batas. Jaringan akhir berkembang menggunakan GA dengan mutasi terbatas operator, di novel kasar-neuro-fuzzy-ge¬netic kerangka. Membagi dan menaklukkan strategi, diikuti oleh evolusi optimasi, ditemukan untuk meningkatkan kinerja jaringan.George dan Srikanth [49] telah menggunakan kabur-genetik integra-tion, mana GAs diterapkan untuk menentukan data yang paling tepat ringkasan. Kiem dan Phuc [30] telah mengembangkan kasar-neuro-genetik hibridisasi untuk menemukan konsep cluster dari database besar.

Hasil (Bahasa Indonesia) 2:

F. Lain hibridisasi
Banerjee et al. [21] telah menggunakan integrasi-kasar-neuro fuzzy untuk merancang sebuah sistem berbasis pengetahuan, di mana teori set kasar digunakan untuk mengekstraksi pengetahuan domain. Dalam kata kasar-fuzzy MLP, pengetahuan domain mentah diekstrak adalah en-kode antara bobot hubungan. Aturan yang dihasilkan dari tabel keputusan dengan menghitung reducts relatif. Topologi jaringan secara otomatis ditentukan dan fac¬tors ketergantungan aturan ini dikodekan sebagai bobot sambungan awal. Tersembunyi node model konjungsi di bagian anteseden aturan, sedangkan model node output disjuncts. Berbagai hibridisasi kasar-fuzzy lainnya untuk desain sistem cerdas-porting kembali di [79].
Sebuah arah yang menjanjikan di pertambangan dataset besar adalah untuk 1) parti-tion itu; 2) mengembangkan pengklasifikasi untuk setiap modul; dan 3) menggabungkan hasil. Pendekatan modular telah ditempuh [22], [68], [80] untuk menggabungkan berbasis pengetahuan kasar-fuzzy sub-jaringan MLP / modul yang dihasilkan untuk masing-masing kelas, menggunakan GAs. Gambar. 5 menggambarkan aliran pengetahuan untuk seluruh proses. Sebuah masalah klasifikasi -class dibagi menjadi dua masalah kelas. Aturan de-pendency diekstrak langsung dari bernilai real tabel atribut yang terdiri dari nilai-nilai keanggotaan kabur oleh adaptif ap¬plying ambang. Jaringan akhir berevolusi menggunakan GA dengan operator mutasi terbatas, dalam kasar-neuro kerangka -fuzzy-ge¬netic baru. Membagi dan menaklukkan strategi, diikuti oleh optimasi evolusi, ditemukan untuk meningkatkan kinerja jaringan.
George dan Srikanth [49] telah menggunakan integra-tion kabur-genetik, di mana GAs diterapkan untuk menentukan ringkasan data yang paling tepat. Kiem dan Phuc [30] telah mengembangkan hibridisasi -genetic kasar-neuro untuk menemukan cluster konseptual dari database yang besar.