Original title: Optimalizace parametrů fuzzy systému pomocí metod umělé inteligence
Translated title: Optimization of fuzzy system parameters using artificial intelligence methods
Authors: Kuběna, Tomáš ; Zuth, Daniel (referee) ; Marada, Tomáš (advisor)
Document type: Master’s theses
Year: 2026
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract: [cze] [eng]
Tato diplomová práce se zabývá implementací a porovnáním metod umělé inteligence pro optimalizaci parametrů fuzzy klasifikátoru. V rámci testování metod předzpracování dosáhla normalizace nejvyšší úspěšnosti klasifikace, ale použitím analýzy hlavních komponent byl zredukován čas výpočtu o 90 % při ztrátě přesnosti v řádu jednotek procent. Pro počáteční nastavení parametrů byla použita shluková analýza, kde se jako úspěšnější ukázala metoda Fuzzy C-means (FCM), která je poté použita pro optimalizaci. Hlavní částí práce je porovnání genetického algoritmu (GA) a optimalizace rojem částic (PSO). Výsledky porovnání na datasetech Iris, Wine, Dry Bean a Vibro ukázaly, že GA je náročnější pro správné nastavení, ale dosahuje vyšší přesnosti a stability optimalizace. PSO zaostává v rychlosti a je více náchylná na uvíznutí v lokálních minimech. Při použití v technické praxi je vhodné použit analýzu hlavních komponent pro redukci času, metodu FCM pro počáteční nastavení parametrů a poté genetický algoritmus, který je robustnější a má dobrou opakovatelnost. Nad rámec práce byla vytvořena aplikace sloužící pro konfiguraci algoritmů, spuštění optimalizace a vizualizaci výsledků. This thesis deals with the implementation and comparison of artificial intelligence methods for optimizing the parameters of a fuzzy classifier. In testing preprocessing methods, normalization achieved the highest accuracy of classification, but the use of principal component analysis reduced computation time by 90% with a loss of accuracy by few percent. Cluster analysis was used for the initial parameter settings, where the Fuzzy C-means method proved to be more successful and was subsequently used for optimization. The main part of the work is a comparison of the genetic algorithm (GA) and particle swarm optimization (PSO). Comparison results on the Iris, Wine, Dry Bean and Vibro datasets showed that GA is more demanding in terms of proper configuration but achieves higher accuracy and optimization stability. PSO lags behind in speed and is more likely to get stuck in local minimum. When applied in technical practice, it is advisable to use principal component analysis to reduce computation time, the FCM method for initial parameter tuning, and then the genetic algorithm, which is more robust and has good repeatability. Beyond the scope of this work, an application was developed for configuring algorithms, running optimization, and visualizing results.
Keywords: cluster analysis; fitness function; Fuzzy classifier; genetic algorithm; membership function; particle swarm optimization.; principal component analysis; analýza hlavních komponent; fitness funkce; funkce příslušnosti; Fuzzy klasifikátor; genetický algoritmus; optimalizace rojem částic.; shluková analýza

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/259912

Permalink: http://www.nusl.cz/ntk/nusl-776994


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses