Определение максимального размера гипербокса в нечетком классификаторе типа Min-Max с использованием регрессионной модели

Авторы и правообладатели:

• Сарин К. С. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
• Коломников Р. Е. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
• Ходашинский И. А. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)

• 1. Wang W. Towards Data-and Knowledge-Driven AI: A Survey on Neuro-Symbolic Computing / W. Wang, Y. Yang, F. Wu // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2025. – Vol. 47. – P. 878–899.
• 2. A comprehensive review of deep neuro-fuzzy system architectures and their optimization methods / N. Talpur, S.J. Abdulkadir, H. Alhussian, M.H. Hasan, N. Aziz, A. Bamhdi // Neural Computing and Applications. – 2022. – Vol. 34. – P. 1837–1875.
• 3. Аверкин А.Н. Обзор исследований в области разработки методов извлечения правил из искусственных нейронных сетей / А.Н. Аверкин, С.А. Ярушев // Известия РАН. Теория и системы управления. – 2021. – № 6. – С. 106–121.
• 4. Simpson P.K. Fuzzy min-max neural networks-part 1: Classification // IEEE Transactions on Neural Networks. – 1992. – Vol. 3, No. 5. – P. 776–786.
• 5. Simpson P.K. Fuzzy min-max neural networks-part 2: clustering // IEEE Transactions on Fuzzy Systems. – 1993. – Vol. 1, No. 1. – P. 32–45.
• 6. Нечеткий классификатор инкрементного обучения типа Min-Max для решения задач кибербезопасности / К.С. Сарин, Р.Е. Коломников, М.О. Светлаков, И.А. Ходашинский // Научно-техническая информация. – Сер. 2: Информационные процессы и системы. – 2024. – № 9. – С. 11–21.
• 7. Khuat T.T. An online learning algorithm for a neurofuzzy classifier with mixed-attribute data / T.T. Khuat, B. Gabrys // Applied Soft Computing. – 2023. – Vol. 137. – P. 110152.
• 8. Khuat T.T., Gabrys B. A comparative study of general fuzzy min-max neural networks for pattern classification problems // Neurocomputing. – 2020. – Vol. 386. – P. 110–125.
• 9. Kenger O.N. Fuzzy min–max neural networks: a bibliometric and social network analysis / O.N. Kenger, E. Ozceylan // Neural Computing and Applications. – 2023. – Vol. 35. – P. 5081–5111.
• 10. Bangare S.L. Classification of optimal brain tissue using dynamic region growing and fuzzy min-max neural network in brain magnetic resonance images // Neuroscience Informatics. – 2022. – Vol. 2. – P. 100019.
• 11. Quality-aware fuzzy min–max neural networks for dynamic brain network analysis and its application to schizophrenia identification / T. Hou, W. Ding, J. Huang, S. Jiang, H. Yao, T. Zhou, H. Ju // Applied Soft Computing. – 2025. – Vol. 169. – Р. 112538.
• 12. A simplified adaptive fuzzy min–max neural network for pattern classification / M. Fu, S. Chen, X. Wei, J. Du, W. Wang, J. Liu // Neurocomputing. – 2025. – Vol. 630. – P. 129668.
• 13. Сарин К.С. Нечеткий классификатор типа Min-Max: обзор // Доклады ТУСУР. – 2023. – Т. 26, № 1. – С. 65–75.
• 14. Vanschoren J. Meta-Learning Automated Machine Learning. The Springer Series on Challenges in Machine Learning / J. Vanschoren (eds.), F. Hutter, L. Kotthoff. – Cham, Switzerland: Springer, 2019. – P. 35–61.
• 15. Коломников Р.Е. Регрессионная модель для прогнозирования размера гипербокса нечеткого классификатора типа Min-Max / Р.Е. Коломников, К.С. Сарин // Электронные средства и системы управления: матер. междунар. науч.-практ. конф.: в 2 ч. – Томск: ТУСУР, В-Спектр (ИП В.М. Бочкарева), 2024. – Ч. 1. – С. 253–256.
• 16. Hancock J.T. CatBoost for big data: an interdisciplinary review / J.T. Hancock, T.M. Khoshgoftaar // Big Data. – 2020. – Vol. 7. – P. 94. DOI: 10.1186/s40537-020-00369-8.
• 17. Antoniadis A. Random forests for global sensitivity analysis: A selective review // A. Antoniadis, S. Lambert-Lacroix, J. Poggi // Reliability Engineering & System Safety. – 2021. – Vol. 206. – P. 107312.
• 18. Omotehinwa T.O. Optimizing the light gradientboosting machine algorithm for an efficient early detection of coronary heart disease / T.O. Omotehinwa, D.O. Oyewola, E.G. Moung // Informatics and Health. – 2024. – Vol. 1, No. 2. – P. 70–81.
• 19. Mienye I.D. A survey of decision trees: concepts, algorithms, and applications / I.D. Mienye, N.R. Jere // IEEE Access. – 2024. – Vol. 12. – P. 86716–86727.
• 20. Hopkins M. Spambase / M. Hopkins, E. Reeber, G. Forman, J. Suermondt // UCI Machine Learning Repository. – 1999 [Электронный ресурс]. – URL: https://archive.ics.uci.edu (дата обращения: 15.05.2025).
• 21. Vrbancic G. Datasets for phishing websites detection / G. Vrbancic, I. Fister Jr., V. Podgorelec // Data in Brief. – 2020. – Vol. 33. – P. 2352–3409.
• 22. Moustafa N. UNSW-NB15: a comprehensive data set for network intrusion detection systems / N. Moustafa, J. Slay // Military Communications and Information Systems Conference (MilCIS). – Canberra, Australia: IEEE, 2015. – P. 1–6.
• 23. Practical incremental learning: Striving for better performance-efficiency trade-off / S. Xu, B. Ni, X. Nie, F. Zhu, Y. Li, J. Chang, G. Meng // Neurocomputing. – 2025. – Vol. 634. – P. 129831.
• 24. Demsar J. Statistical comparisons of classifiers // Journal of Machine Learning Research. – 2006. – Vol. 7. – P. 1–30.