ترکیب الگوریتم شبیه سازی تبرید و جستجوی محلی برای یادگیری نقشه های شناختی فازی خاکستری
Publish place: The Second International Conference on Intelligent Information Networks and Complex Systems
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 1,092
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
IINC02_017
Index date: 14 April 2015
ترکیب الگوریتم شبیه سازی تبرید و جستجوی محلی برای یادگیری نقشه های شناختی فازی خاکستری abstract
اخیرا نقشه های شناختی فازی خاکستری (FGCM) به عنوان مدل توسعه یافته ی نقشه های شناختی فازی (FCM) پیشنهاد شده است. نقشه های شناختی فازی(FCM) یک مدل پیش بینی کننده غیر خطی هستند. FGCM ها در محیط هایی با عدم قطعیت بالا، تحت مجموعه داده های گسسته کوچک و ناکامل تمرکز می نماید. این مدل ها مشکل پیش بینی مسائل اجتماعی، سیاسی و پزشکی را تا حد زیادی بر طرف می کنند. چنان چه آموزش این نقشه ها بهتر شود دقت پیش بینی افزایش خواهد یافت.الگوریتم پیشنهادی در این مقاله از ترکیب الگوریتم تکاملی شبیه سازی تبرید با چند نقطه شروع و الگوریتم جستجوی محلی برای آموزش یک FGCM استفاده می نماید. نتایج آزمایش ها نشان می دهد که استفاده از الگوریتم بیان شده در این مقاله دقت پیش بینی را افزایش می دهد.نکته قابل توجه این است که در الگوریتم پیشنهادی این مقاله، با افزایش مجموعه ی تست، دقت لزوما کاهش نمی یابد درحالی که قبل از این، چنین بهبودی مشاهده نشده است که این می تواند برای کاربردهایی مانند پیش بینی وضعیت آب و هوا بسیار موثر باشد
ترکیب الگوریتم شبیه سازی تبرید و جستجوی محلی برای یادگیری نقشه های شناختی فازی خاکستری Keywords:
پیش بینی , ترکیب الگوریتم شبیه سازی تبرید و جست و جوی محلی , نقشه های شناختی فازی خاکستری , یادگیری تکاملی
ترکیب الگوریتم شبیه سازی تبرید و جستجوی محلی برای یادگیری نقشه های شناختی فازی خاکستری authors
شبنم شیرزادگان
دانشگاه آزاد اسلامی واحد مشهد
محمدرضا اکبرزاده توتونچی
گروه برق، قطب علمی رایانش نرم و پردازش هوشمند اطلاعات، دانشگاه فردوسی مشهد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :