شما اینجائید:خانه»دانلود»شبکه قانون ترکیبی تطبیقی جدید مبتنی بر قوانین فازی تاکاگی-سوگنو
شبکه قانون ترکیبی تطبیقی جدید مبتنی بر قوانین فازی تاکاگی-سوگنو
ارسال شده توسط:Papersimتاریخ ارسال: 2018/07/12در دیدگاهها برای شبکه قانون ترکیبی تطبیقی جدید مبتنی بر قوانین فازی تاکاگی-سوگنو بسته هستند
هدف ما ، شبکه قانون ترکیبی تطبیقی جدید مبتنی بر قوانین فازی تاکاگی-سوگنو
یک شبکه قانون ترکیبی تطبیقی جدید(AHRN) مبتنی بر قوانین فازی تاکاگی- سوگنو (TS)برای حل مساله پیش بینی سری های زمانی ارائه شده است. در این مدل ساختار با توجه به یادگیری نمونه های جدید تطبیق داده شده و مجموعه های فازی به صورت پویا ایجاد می شود. برای فرایند آموزش، الگوریتم رهبر نظر بر اساس بهینهسازی انبوه ذرات بهبودیافته با رفتار کوانتومی(OLB-QPSO) ارائه شده است. این الگوریتم از ذرات مرکب که بر اساس AHRN ایجاد می شود، استفاده کرده تا اهمیت ذرات مرکب با برازندگی بالا تاکید کند. برای اینکه احتمال پیدا کردن بهینه سراسری افزایش یابد، حرکت ذرات مرکب تحت تاثیر زیر ذرات به عنوان عامل درونی، و ذره به عنوان عامل بیرونی است.
سری آشوبناک مکی گلاس برای ارزیابی روش ارائه شده مطرح شده است. نتایج نشان میدهد AHRN که ازOLB-QPSO به همراه ذرات مرکب استفاده شده است، قوانین مناسبتر برای جستجوی راه حل در یک فضای گسترده را فراهم میکند، همچنین احتمال راه حل سراسری بهینه را بهبود میدهد.
AHRN در این مقاله معرفی شد. ساختار AHRN به صورت تطبیقی، و با استفاده از DRSM که مجموعه قوانین مناسب برای رسیدن به راه حل بهینه را ایجاد میکند،قابل بروز رسانی است. الگوریتم های مختلفی بر روی AHRN اعمال شده است، اما OLB-QPSO بهمراه ذرات مرکب نتایج بهتری را نشان می دهد. در این الگوریتم mbest با استفاده از رهبر نظر(ذره با بیشترین برازندگی) بدست می آید، ساختار ذره مرکب شامل سه زیر ذره SSP، RSP،و AISP است. فاکتور موثر برای حرکت ذره مرکب،ترکیبی از زیر ذرات SSP و RSP، و همچنین برازندگی ازدحام (AISP) است. نتایج بدست آمده نشان می دهد که AHRN برای پیش بینی سری های زمانی اشوبناک مناسب تر است.
شبکه قانون ترکیبی تطبیقی جدید مبتنی بر قوانین فازی تاکاگی-سوگنو با استفاده از بهینهسازی انبوه ذرات بهبودیافته با رفتار کوانتومی
Novel adaptive hybrid rule network based on TS fuzzy rules using an