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
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 982
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IINC02_017
تاریخ نمایه سازی: 25 فروردین 1394
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
Keywords:
پیش بینی , ترکیب الگوریتم شبیه سازی تبرید و جست و جوی محلی , نقشه های شناختی فازی خاکستری , یادگیری تکاملی
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 :