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
- محل انتشار: اولین کنگره مشترک سیستم های فازی و سیستم های هوشمند
- کد COI اختصاصی: FJCFIS01_134
- زبان مقاله: فارسی
- تعداد مشاهده: 1790
نویسندگان
دانشجوی کارشناسی ارشد مهندسی کامپیوتر- نرم افزار -دانشگاه آزاد اسلامی
گروه علوم شناختی IPM ، ایران
چکیده
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
الگوریتمهای کلونی مورچه (ACO) پیش بینی سریهای زمانی، مدلهای فازی عصبی خطی محلی LOLIMOT،ANFISمقالات مرتبط جدید
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.