Reviewing the Classification Performance of Recent Neuro-fuzzy Systems

Abstract

This thesis explores the classification performance of recent neuro-fuzzy systems, which combine fuzzy logic with neural networks to enhance machine learning applications. Through a meta-analysis of literature from the past decades, the study evaluates various neuro-fuzzy architectures including the classical Adaptive Neuro-Fuzzy Inference System (ANFIS) and their performance in different domains. Comparative analyses with different approaches highlight neuro-fuzzy systems' strengths in handling imprecise and noisy data and their dependency on fuzzy set design and neural architecture. The goal of this work is to offer practical insights for both practitioners and scholars on the selection and management of appropriate methods for classification tasks across various application domains such as medicine and finance. This is achieved through a detailed analysis of diverse approaches, addressing a gap in recent comprehensive reviews of these methods. See lõputöö uurib uusimate neuro-fuzzy süsteemide klassifitseerimisvõimekust, mis ühendavad hägusloogika ja närvivõrgud, et täiustada masinõppe rakendusi. Kümnendi jooksul ilmunud kirjanduse meta-analüüsi kaudu hinnatakse erinevaid neuro-fuzzy arhitektuure, sealhulgas klassikalist Adaptive Neuro-Fuzzy Inference Systemi (ANFIS), ja nende toimivust erinevates valdkondades. Võrdlevad analüüsid erinevate lähenemisviisidega toovad esile neuro-fuzzy süsteemide tugevused ebatäpse ja mürarikka andmete töötlemisel ning nende sõltuvuse hägusate hulga kujundusest ja närvivõrgu arhitektuurist. Selle töö eesmärk on pakkuda praktilisi teadmisi nii praktiseerijatele kui ka teadlastele sobivate meetodite valiku ja haldamise kohta klassifitseerimisülesannete jaoks erinevates rakendusvaldkondades, nagu meditsiin ja rahandus. Seda saavutatakse mitmekesiste lähenemisviiside üksikasjaliku analüüsi kaudu, käsitledes lünka nende meetodite hiljutistes ülevaadetes.