Уважаемые коллеги, доброго времени суток! Представляем вам International Journal of Fuzzy Logic and Intelligent Systems - научное издание из Южной Кореи. Журнал имеет третий квартиль, издаётся в Korean Institute of Intelligent Systems, находится в открытом доступе, его SJR за 2021 г. равен 0,339, печатный ISSN - 1598-2645, электронный - 2093-744X, предметные области - Логика, Информатика – теория и методы, Компьютерные науки, Технология обработки сигналов, Искусственный интеллект, Теория расчетов и вычислений, Прикладная наука о компьютерах. Вот так выглядит обложка:
Редактором является Йин-Ву Юнг, контактные данные - jwjung@dongguk.edu, kfis21@kornet.org.
Журнал ежеквартально публикуется Корейским институтом интеллектуальных систем. Официальное название журнала - Международный журнал нечеткой логики и интеллектуальных систем, а сокращенное название - Int. J. Fuzzy Log. Интеллект. Система. Статьи индексируются в SCOPUS, Korea Citation Index (KCI), DOI/CrossrRef, DBLP и Google Scholar. Журнал был запущен в 2001 году и посвящен распространению четко определенных результатов теоретических и эмпирических исследований, которые оказывают потенциальное влияние на реализацию интеллектуальных систем, основанных на нечеткой логике и теории интеллектуальных систем. Конкретные темы включают, но не ограничиваются ими:
а) методы вычислительного интеллекта, включая системы нечеткой логики, нейронные сети и эволюционные вычисления;
б) интеллектуальное управление, контрольно-измерительные приборы и робототехника;
с) адаптивная обработка сигналов и мультимедиа.;
d) интеллектуальная обработка информации, включая распознавание образов и обработку информации;
e) машинное обучение и интеллектуальные системы, включая интеллектуальный анализ данных и методы интеллектуального обслуживания;
f) теория нечеткости и ее приложения.
Адрес издания - https://www.ijfis.org/main.html
Пример статьи, название - Comparison of Deep Learning-Based Object Classification Methods for Detecting Tomato Ripeness. Заголовок (Abstract) - Examination of the technological development in agriculture reveals that not many applications use cameras to detect tomato ripeness; therefore, tomato maturity is still determined manually. Currently, technological advances and developments are occurring rapidly, and are, therefore, also inseparable from the agricultural sector. Object detection can help determining tomato ripeness. In this research, faster region-based convolutional neural network (Faster R-CNN), single shot multibox detector (SSD), and you only look once (YOLO) models were tested to recognize or detect tomato ripeness using input images. The model training process required 5 hours and produced a total loss value <0.5, and as the total loss became smaller, the predicted results improved. Tests were conducted on a training dataset, and average accuracy values of 99.55%, 89.3%, and 94.6% were achieved using the Faster R-CNN, SSD, and YOLO models, respectively. Keywords: SSD, Faster R-CNN, YOLO, Object detection
