Επεκτάσεις της Κλασικής Υπολογιστικής Νοημοσύνης

Abstract

Προαναφερθείσες μεθοδολογίες της κλασικής Υπολογιστικής Νοημοσύνης επεκτείνονται με μεταξύ τους συνέργιες ή/και υιοθετώντας εναλλακτικές υπολογιστικές τεχνικές πχ τεχνικές μάθησης μηχανής, κλπ. Συγκεκριμένα, προτείνονται συγκερασμοί νευρωνικών δικτύων και ασαφών μοντέλων συστημάτων που μπορούν να βελτιστοποιηθούν με εξελικτικούς υπολογισμούς. Σ’ αυτό το πλαίσιο παρουσιάζονται δένδρα αποφάσεων που βασίζονται σε κανόνες ως μια επέκταση των κανόνων ασαφών συστημάτων. Με παρόμοιο σκεπτικό παρουσιάζονται δίκτυα ακτινωτής βάσης ως εναλλακτικό των ασαφών συστημάτων. Επίσης, παρουσιάζονται δίκτυα Κ πλησιέστερου γείτονα ως εναλλακτικό των νευρωνικών δικτύων.

The aforementioned methodologies of classical Computational Intelligence are extended through synergies among them and/or adopting alternative computational techniques such as machine learning techniques, etc. Specifically, combinations of neural networks and fuzzy system models are proposed, which can be optimized using evolutionary computation. In this context, decision trees based on rules are presented as an extension of fuzzy system rules. Following a similar approach, radial basis function networks are introduced as an alternative to fuzzy systems. Additionally, K-nearest neighbor networks are presented as an alternative to neural networks.