بهبود عملکرد پیش بینی کننده های فازی عصبی توسط الگوریتم یادگیری عاطفی

پیش بینی سریهای زمانی غیرخطی را میتوان یک شاخه مهمدربحث شناسایی سیستم وبهینه سازی غیرخطی دانست درچند دهه اخیر شبکه های عصبی و مدلهای فازی عصبی مختلف درمدلسازی سیستمهای غیرخطی بکاررفته اند و روشهای آموزش متعددی به این منظور معرفی شده اند با یک نگاه کاربردی به مساله پیش بینی سریهای زمانی داده های مشاهده ای اهمیت استفاده از روشهای یادگیری چندمنظوره نمایان میشود یک مثال مناسب از چنین مساله ای پیش بینی سریهای زمانی فعالیت خورشیدی است پیش بینی دقیق فعالیت خورشیدی درسالهای اوج آن درطول سیکل یازده ساله بخاطر اثراتش برزمین و ماهواره ها از اهمیت بیشتری برخوردار است روش یادگیری عاطفی یک روش یادگیری چند منظوره با بارمحاسباتی کم است که درتصمیم گیری و کاربردهای کنترلی با موفقیت بکارگرفته شدها ست دراینمقاله یک سیستم استنتاج فازی با یادگیری عاطفی ELFIS معرفی می شود و درپیش بینی نمونه هایی از سریهای زمانی غیرخطی مانند تعداد لکه های خورشیدی و قیمت سهام بکارمیرود.