توسعه الگوریتم درخت مدل خطی محلی (LOLIMOT) با استفاده از یک تابع اعتبار فازی مبتنی بر کلونی مورچه برای پیش بینی سریهای زمانی
سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,827
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
FJCFIS01_134
تاریخ نمایه سازی: 14 خرداد 1387
چکیده مقاله:
تحلیل سریهای زمانی خصوصا سریهای زمانی آشوبی کاربردهای بسیاری در زندگی روزمره دارد زیرا بسیاری از دادههایی که حاصل مشاهدات ما از وقایع روزمره هستند از ساختاری شبیه به سریهای زمانی پیروی میکنند. در سالهای اخیر روشهای بسیاری برای پیش بینی سریهای زمانی معرفی شدهاند که در این میان استفاده از شبکههای عصبی و ساختارهای فازی بسیار مورد توجه واقع شده است. نمونهای از این مدلها مدل فازی عصبی خطی محلی تاکاگی-سوگنو همراه با یک الگوریتم یادگیری درخت مدل خطی محلی(LOLIMOT)است. از طرف دیگر الگوریتمهای مبتنی بر کلونی مورچه یا بهینهسازی مورچه (ACO)کاربردهای موفقی در بسیاری از مسائل بهینهسازی داشتهاند. یک الگوریتم کلونی مورچه یک روش ابتکاری و کاشفانه است که برگرفته از رفتار کلونیهای طبیعی مورچههاست و در بسیاری از مسائل با پیچیدگی زمانی غیر چند جملهای کارایی خوبی از خود نشان دادهاند. در این مقاله کوشیده ایم با نگاهی به مدلهای فازی عصبی خطی محلی و الگوریتمهای کلونی مورچه یک تابع اعتبار مبتنی بر این الگوریتمها جهت استفاده در مدل فازی عصبی و الگوریتم درخت مدل خطی محلیLOLIMOT ارائه کنیم. نتایج شبیهسازی حاکی است که کارایی نسخه جدید الگوریتم LOLIMOT از نظر شاخص خطای کل پیش بینی بهتر از الگوریتم اولیه است.
کلیدواژه ها:
نویسندگان
رجبعلی کشاورز
دانشجوی کارشناسی ارشد مهندسی کامپیوتر- نرم افزار -دانشگاه آزاد اسلامی
کارو لوکس
گروه علوم شناختی IPM ، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :