مقاله ترجمه شده طراحی برنامه شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج

به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و در حوزه های کاربردی طرح شناختی فازی(FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs سنتی روش کارامدی را برای تعیین حالت سیستم مورد بحث و تعیین کردن کمیت تلفاتی که مبنای نظریه FCMs را مشخص می کنند ایجاد می کند. بنابراین در بسیاری از موارد، ایجاد FCMs برای سیستم های پیچیده بستگی به توان کارشناسی دارد.مدل های ایجاد شده دستی دارای کمبودهایی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی به حد معقول خود دارند.در این مقاله ما یک شبکه عصبی فازی را برای بالا بردن توان یادگیری FCMs مطرح می کنیم به گونه ای که تعیین اتوماتیک تابع عضویت و مشخص کردن دلایل مربوط به آن با مکانیسم اثباتی FCMs سنتی ادغام می گردد. به این ترتیب، مدل FCMs از سیستم های تحقیقی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از موارد کارشناسی شده می باشند.به این ترتیب تفاسیر مشخصی در ارتباط با دلایل FCMsایجاد شده و به این ترتیب فرایند استنباط درکش اسان تر می گردد. به منظور ایجاد صحت در عملکرد، روش های بیان شده در پیش بینی بی نظمی های سری زمانی تست می گردد.بررسی های شبیه سازی شده کارای رویکردهای مطرح شده را نشان می دهد.

As a powerful paradigm for knowledge representation and a simulation mechanism applicable to
numerous research and application fields, Fuzzy Cognitive Maps (FCMs) have attracted a great deal of
attention from various research communities. However, the traditional FCMs do not provide efficient
methods to determine the states of the investigated system and to quantify causalities which are the
very foundation of the FCM theory. Therefore in many cases, constructing FCMs for complex causal
systems greatly depends on expert knowledge. The manually developed models have a substantial
shortcoming due to model subjectivity and difficulties with accessing its reliability. In this paper,
we propose a fuzzy neural network to enhance the learning ability of FCMs so that the automatic
determination of membership functions and quantification of causalities can be incorporated with the
inference mechanism of conventional FCMs. In this manner, FCM models of the investigated systems
can be automatically constructed from data, and therefore are independent of the experts. Furthermore,
we employ mutual subsethood to define and describe the causalities in FCMs. It provides more explicit
interpretation for causalities in FCMs and makes the inference process easier to understand. To validate
the performance, the proposed approach is tested in predicting chaotic time series. The simulation studies
show the effectiveness of the proposed approach.

تعداد صفحه های فارسی24
تعداد صفحه های انگلیسی12
سال انتشار2010

• مشخصات محصول
• دسته‌بندی محصول
• برچسب‌ها
• دیدگاه‌ها