Sieć Badawcza Łukasiewicz - Instytut Techniki i Aparatury Medycznej

realizuje projekt dofinansowany z Narodowego Centrum Nauki pt.:

"Synteza i analiza systemów cybernetyczno-fizycznych w środowisku obliczeń ziarnistych”

w ramach konkursu OPUS 13

termin realizacji 12.03.2018 - 11.03.2021

kierownik projektu: prof. dr hab. inż. czł. PAN Witold Pedrycz

Popularyzatorski opis rezultatów projektu

Systemy cyber-fizyczne to architektury, w których efektywna interakcja człowiek-maszyna nabiera pierwszorzędnego znaczenia dla zapewnienia skutecznej komunikacji. Zajmowanie się danymi językowymi i zapewnienie odpowiedniego poziomu abstrakcji jest głównym warunkiem wstępnym realizacji mechanizmów interakcji i nadania im zdolności interpretacyjnych. Aby sprostać tym aktualnym wyzwaniom, w ramach niniejszego projektu stworzono unikalne środowisko obliczeń granularnych i inteligencji obliczeniowej. Granular Computing to środowisko wspomagające przetwarzanie granuli informacji. Granule informacyjne to zbiory elementów, które wykazują pewną bliskość lub podobieństwo i są wyrażane w języku naturalnym, np. duża amplituda sygnału, niski poziom emisji itp. Metodologia i algorytmy Granular Computing i Computational Intelligence są opracowane w celu realizacji przetwarzania danych i zapewnienia dokładności i interpretowalności wyników, co uważa się za dwa zasadnicze wymagania występujące w każdym procesie analizy danych. Przedstawiono zaawansowane oryginalne metody projektowania, agregacji i oceny granuli informacyjnych ze szczególnym uwzględnieniem procesu tworzenia koncepcji granuli poprzez grupowanie i grupowanie rozmyte, konstrukcję granuli typu-1 i typu- 2 oraz hierarchiczną agregację granuli informacji wyższego typu, wynikającą z łączenia granuli informacji niższego typu. Skonstruowano systematyczną taksonomię granuli informacyjnych.

Główne wyniki projektu mają kluczowe znaczenie dla wsparcia konstrukcji granuli informacyjnych, ich przetwarzania i zastosowań.

Agregacja wyników z zasadą uzasadnionej ziarnistości i granulami informacji o wartościach interwałowych (przedziałowych)

Opracowano skuteczny i nowatorski sposób agregacji wyników uzyskanych przez modele rozproszone, stosując zasadę uzasadnionej ziarnistości i prowadząc w ten sposób do wyników o wartościach przedziałowych, podsumowujących wyniki uzyskane przez zbiór modeli. Pokazano, jak agregować wyniki pochodzące z poszczególnych modeli.

Projektowanie granuli informacyjnych typu-2 na podstawie rodziny granuli informacyjnych typu-1

Opracowano oryginalny projekt granuli informacji interwałowych typu-2 w oparciu o zbiór rozmytych zbiorów typu-1, stosując zasadę uzasadnionej ziarnistości. Zasada ta generuje granulę informacyjną maksymalizując iloczyn dwóch ogólnych i intuicyjnie atrakcyjnych wymagań, tj. wsparcia eksperymentalnego i poprawności semantycznej implikującej interpretowalność.

Metody agregacji granuli informacji rzędu-2

Sformułowano i rozwiązano problem agregacji granuli informacyjnych rzędu-2, a w szczególności zbiorów rozmytych. Podczas przetwarzania zbiorów rozmytych rzędu-1 informacje strukturalne o przestrzeni, w której są zdefiniowane zbiory rozmyte, nie są w ogóle brane pod uwagę. Natomiast agregacja zbiorów rozmytych rzędu-2 wymaga szczególnej uwagi, zwróconej zarówno na bliskość wyznaczoną w przestrzeni stopni przynależności, jak i na zbiór granuli informacyjnych, nad którymi takie zbiory rozmyte są definiowane. Opracowano oryginalny schemat uczenia.

Włączenie ciekawych elementow nowości (tidbits) wiedzy do przestrzeni wyjściowej w celu poprawy dokładności granularnych (rozmytych) modeli opartych na regułach.

Została opracowana metodologia projektowania w celu uwzględnienia części wiedzy w tworzeniu możliwych do interpretacji modeli opartych na regułach dla zwiększenia ich dokładności przy jednoczesnym zachowaniu możliwości interpretacji.

Metoda podziału hiperpłaszczyznowego dla dużych zbiorów danych

Przetwarzanie dużych zbiorów danych jest trudne, a analiza danych wymaga dużej ilości zasobów obliczeniowych. Aby złagodzić te trudności, zaproponowano oryginalny algorytm, zwany metodą podziału hiperpłaszczyznowego, służący do dzielenia całego zbioru danych na rozłączne podzbiory. Pokazano, że rozłączne podzbiory okazały się korzystne dla poprawy jakości klastrów tworzonych przez algorytmy klasteryzacji.

Wykaz opublikowanych dotąd prac, wykonanych w ramach projektu

• Y. Shen, W. Pedrycz,  X. Hu, X. Wang, A. Gacek, „Identification of Fuzzy Rule-Based Models with Collaborative Fuzzy Clustering”, IEEE Transactions on Cybernetics, DOI: 10.1109/TCYB.2021.3069783
• Y.Shen, W. Pedrycz, Y. Chen, X. Wang, A. Gacek, „Hyperplane Division in Fuzzy C-Means Clustering Big Data”,  IEEE  Transactions on Fuzzy Systems, Vol. 28,  nov.  2020, 3032 – 3046,DOI:10.1109/TFUZZ.2019.2947231
• B. Zhang, W. Pedrycz, A. R. Fayek, A. Gacek, Y. Dong, „Granular Aggregation of Fuzzy Rule-Based Models in Distributed Data Environment”, IEEE Transactions on Fuzzy Systems, DOI: 10.1109/TFUZZ.2020.2973956
• B. Zhang, W. Pedrycz, X. Wang, A. Gacek, „Design of Type-2 Information Granules Based on the principle of Justifiable Granularity”,  IEEE Transactions on Fuzzy Systems, DOI: 10.1109/TFUZZ.2020.3023758
• W. Pedrycz, A. Gacek, X. Wang, „Aggregation of Order-2 Fuzzy Sets”, IEEE Transactions on Fuzzy Systems”, DOI: 10.1109/TFUZZ.2020.3025659
• E. Sobotnicka, D. Feige,  A. Sobotnicki, A. Gacek,  „Telemonitoring of Biomedical Parameters Technological Aspects and Aapplications” The Polish Journal of Aviation Medicine, Bioengineering and Psychology, 2019; 25(1): 40-49, DOI: 10.13174/pjambp. 07.12.2020.04
• Y. Shen, W. Pedrycz, R. M. De Moraes, X. Hu, X. Wang, A. Gacek, „Clustering of Information Granules in Hotspot Identification”,  Proc. Int. IEEE Conf. On Fuzzy Systems, New Orleans, June 2019, IEEE Catalog: 41876, item 110, DOI: 10.1109/FUZZ-IEEE.2019.8858904.