Serwis Infona wykorzystuje pliki cookies (ciasteczka). Są to wartości tekstowe, zapamiętywane przez przeglądarkę na urządzeniu użytkownika. Nasz serwis ma dostęp do tych wartości oraz wykorzystuje je do zapamiętania danych dotyczących użytkownika, takich jak np. ustawienia (typu widok ekranu, wybór języka interfejsu), zapamiętanie zalogowania. Korzystanie z serwisu Infona oznacza zgodę na zapis informacji i ich wykorzystanie dla celów korzytania z serwisu. Więcej informacji można znaleźć w Polityce prywatności oraz Regulaminie serwisu. Zamknięcie tego okienka potwierdza zapoznanie się z informacją o plikach cookies, akceptację polityki prywatności i regulaminu oraz sposobu wykorzystywania plików cookies w serwisie. Możesz zmienić ustawienia obsługi cookies w swojej przeglądarce.
This paper is concerned with the argument that the identification of Takagi Sugeno (T-S) fuzzy models from training data should involve an important feature between data fitness and model complexity. One hand a (T-S) fuzzy model with a large number of fuzzy rules may encounter the risk of having an approximation capable of fitting training data well. On the other hand it may be difficult to run this fuzzy model structure due to heavy computational cost. In order to facilitate the development of a balance between these requirements, a Higher Order Singular Value Decomposition (HOSVD) based T-S fuzzy model reduction is introduced using the well-known Yam SVD fuzzy rule-based approximation technique.
Research Group of Hungarian Academy of Sciences and Information System Department, Gifu Research Institute of Manufacturing Information technology, 4-179-1, Sue Kakamigahara Gifu 509-0108, Japan