شبکه های عصبی فازی نوع-2 با استفاده از یک تکنیک آموزش ترکیبی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه سیستان و بلوچستان
- نویسنده حمید رضا قربانی سینی
- استاد راهنما مهدی علیاری شوره دلی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1389
چکیده
در چند دهه اخیر استفاده از تکنیک های محاسبات نرم بطور چشمگیری در مسائل تقریب ، پیش بینی و ... افزایش یافته است اما هنوز وجود یک سیستم هوشمند که تمام جنبه های این گونه مسائل را تحت پوشش قرار دهد، ضروری بنظر می رسد. این جنبه ها عبارتند از: 1) اعمال دانش افراد خبره به سیستم، 2) مدیریت عدم قطعیت موجود در دانش افراد خبره و 3) آموزش پذیری از روی نمونه داده ها یا نمونه داده های نویزدار. در این تحقیق با ترکیب نقاط قوت منطق فازی نوع-2، شبکه عصبی و الگوریتم ژنتیک، یک سیستم هوشمند ترکیبی به نام «شبکه عصبی فازی تاکاکی-سوگنو-کانگ نوع-2 بازه ای» جهت تقریب و پیش بینی ارائه شده است بطوریکه از توانایی تبدیل یک پایگاه دانش به یک نگاشت غیرخطی و آموزش از روی نمونه داده های ورودی-خروجی برخوردار است. همچنین در آموزش آن، ترکیب تکنیک آموزش rls (کمترین مربعات بازگشتی) با الگوریتم ژنتیک بکار رفته تا همزمان از مزایای آموزش محلی و سراسری استفاده شده باشد. سیستم های منطق فازی نوع-2 توانایی بالایی در مدیریت عدم قطعیت دارند ولی حجم محاسبات بالا و غیر قابل مدیریت آنها باعث گردیده که این سیستم ها در کاربردهای عملی و مهندسی مورد استفاده قرار نگیرند. حجم عمده این محاسبات مربوط به بلوک کاهش نوع سیستم است. در بخش دیگر، این تحقیق به بررسی این مشکل پرداخته شده و برای کاهش حجم محاسبات شبکه عصبی فازی tsk نوع-2 بازه ای، الگوریتم km بنحوی بهبود یافته، که پیچیدگی زمانی و محاسباتی کمتری نسبت به الگوریتم اصلی دارد. همچنین 3 مدل که فقط در نحوه استخراج مجموعه کاهش نوع یافته با مدل اصلی تفاوت دارد پیشنهاد شده است. نتایج نشان می دهد این مدل ها نسبت به مدل اصلی حجم محاسبات بسیار پایین تر دارند و در شرایطی خروجی آنها برابر ویا بهتر از مدل اصلی است.
منابع مشابه
پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی
In capital markets, stock price forecasting is affected by variety of factors such as political and economic condition and behavior of investors. Determining all effective factors and level of their effectiveness on stock market is very challenging even with technical and knowledge-based analysis by experts. Hence, investors have encountered challenge, doubt and fault in order to invest with mi...
متن کاملتولید شتابنگاشت مصنوعی زلزله با استفاده از شبکه عصبی فازی
نیاز روزافزون به تحلیل دینامیکی تاریخچه زمانی و عدموجود شتابنگاشتهای مناسب در مناطق مختلف، تولید شتابنگاشتهای مصنوعی سازگار با طیف طرح را ضروری میسازد. هدف اصلی این تحقیق ارائه روشی نوین، بر اساس تبدیل بسته موجک و روش های هوش مصنوعی برای تولید شتابنگاشت مصنوعی زلزله سازگار با طیف طرح بر اساس مقدار بزرگا، فاصله از گسل و طیف مربوطه می باشد. در این تحقیق از شبکه های عصبی فازی و آنالیز موجک پک...
متن کاملشناسایی ترک با تحلیل فرکانسهای طبیعی سازه با استفاده از شبکه های عصبی نوع gmdh و سیستم عصبی- فازی anfis
وجود ترک در سازه، موجب نرمی محلی و تغییر در خواص سختی و رفتار دینامیکی سازه می شود. رفتار دینامیکی سازه دارای ترک، به عمق و مکان ترک بستگی دارد؛ از این رو می توان برای شناسایی عمق و مکان ترک از تغییرات رفتار دینامیکی سازه ناشی از ترک، استفاده نمود. در این مقاله ابتدا سه فرکانس طبیعی اول یک تیر یکسردرگیر که یک ترک سطحی باز برای ده عمق ترک مختلف و برای سی مکان مختلف در آن ایجاد شده است، با استفاد...
متن کاملطراحی کنترل کننده با استفاده از شبکه های عصبی فازی نوع-2
منطق فازی زیر مجموعه ای از محاسبات نَرم است که توانایی تصمیم گیری در شرایط نامعینی و عدم قطعیت را به سیستم های کامپیوتری می دهد. سیستم های خُبره فازی، امروزه حضوری موفق در برخی امور از جمله تصمیم گیری در شرایط عدم قطعیت و کنترل سیستم های پیچیده دارند. اما تعیین دقیق درجه عضویت دریک سیستم فازی بسیار مشکل می باشد، خصوصاً در سیستم های ناشناخته و یا به شدت غیرخطی و دارای عدم قطعیت، این امر بسیار مشکل ...
منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه سیستان و بلوچستان
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023