Tudásbázis redukció a szakértői szabályrendszerrel bővített FRIQ-learning módszerben
DOI:
https://doi.org/10.35925/j.multi.2021.4.8Kulcsszavak:
megerősítéses tanulás, heurisztikusan gyorsított megerősítéses tanulás, szakértői tudásbázis, tudásbázis csökkentés, Q-learning, fuzzy Q-learningAbsztrakt
A megerősítéses tanulási módszerek tudásábrázolási formája eltérő, a klasszikus Q-learning algoritmus Q-táblát, a fuzzy szabályalapú megerősítéses tanuló rendszerek pedig fuzzy szabálybázist alkalmaznak a rendszer működtető tudásbázisának leírására. A végső tudásbázis mérete, azaz a Q-tábla elemeinek száma, a fuzzy szabályrendszer szabályainak száma függ az adott probléma méretétől, dimenzióinak számától, így előfordulhat olyan eset mikor ezek mérete igen nagy is lehet. A fuzzy szabály interpoláció alapú megerősítéses tanulási rendszerekben a rendszer végleges működtető tudásbázis méretének csökkentésére szabálybázis redukálási (csökkentési) módszerek alkalmazhatók. A FRIQ-learning rendszerben a tudásbázist leíró szabálybázis méretének csökkentésére, azaz az elhagyható szabályok keresésére a tanulási fázis után van lehetőség opcionálisan. A szakértői tudásbázissal bővített FRIQ-learning rendszerben a tudásbázis építési módszer működéséből adódóan elfordulhatnak olyan esetek mikor több szabály közel kerülhet egymáshoz. Célszerű lehet ezen szabályokat valamilyen stratégia alapján összevonni, csökkentve ezáltal a szabálybázis méretét. Jelen cikk célja a szakértői tudásbázissal bővített FRIQ-learning rendszerben egy olyan tudásbázis redukálási módszer bemutatása, amely már a tanulási fázis közben megvalósítja a rendszer tudásbázisának redukálását, olyan módon, hogy egyesíti a hasonló tudást leíró fuzzy szabályokat.
