تعیین سیستم حافظه ی فازی FMS مطلوب با استفاده از الگوریتم ژنتیک با کمترین تعداد توابع تعلق

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 564

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

DCEAEM01_024

تاریخ نمایه سازی: 18 دی 1393

چکیده مقاله:

امروزه سیستم های فازی به دلیل جامعیتی که درتحلیل مفاهیم غیرقطعی دارند بسیارپرکاربرد هستند چرا که بشربه ورودیهای اطلاعاتی دقیق نیازی ندارد بلکه قادر است کنترل تطبیقی انجام دهد پس اگرما کنترل کننده های فیدبک را درسیستم ها طوری طراحی کنیم که بتواند داده های مبهم را دریافت کند این داده ها میتواند بطور ساده تر و موثرتری دراجرای به کاربرده شوند اما مشکل انتخاب قواعدفازی به عنوان یک مشکل بهینه سازی ازدودیدگاه قابل توجه است اولا به حداکثر رساندن تعدادالگوهای صحیح طبقه بندی شده و ثانیا به حداقل رساندن تعدادقواعد فازی الگوریتم های ژنتیک راهکاری برای حل این مشکل هستند مجموعه ای ازقواعدفازی if-then به عنوان متغیرهای کدشده درالگوریتم ژنتیک به کارمیروند به همین دلی امروزه الگوریتم ژنتیک نیزجایگاه خاصیدرمیان روشهای بهینه سازی پیدا کرده است چه بسا بهینه سازی ورودی هارا تغییر میدهد تا به خروجی مطلوب دست یابد دراین مقاله به کمک نتایج یک معادله سینوسی و نیز الگوریتم ژنتیک تقریب بسیارخوبی برای سیستم حافظه فازی صورت میگیرد داده های بدست آمده بادقت بسیارخوبی به سیستم حافظه فازی تعلیم داده میشود ازطرف دیگر جایگذاری وزن های قواعد به عنوان درجه های آزادی سیستم فازی درون کروموزوم های الگوریتم ژنتیک باعث میشود تاباتعدادتوابع تعلق کمتر و درنتیجه تعدادقواعدفازی کمتری نسبت به سیستم های تقریب گرفازی به دقت دلخواه و مطلوب برسیم

کلیدواژه ها:

نویسندگان

طیبه جهانی

دانشجوی کارشناسی ارشد مهندسی پزشکی دانشگاه آزاد اسلامی واحد مشهد

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 :
  • تاناکا، کازو، مقدمه‌ای بر منطق فاز ی برای کاربردهای عملی ...
  • محمد پور، مهدی، استفاده از روش‌های فازی در بیومتریک اثر ...
  • I نجاتی، رضا، طراحی و ساخت کنترل کننده فازی- عصبی ...
  • یقینی، مسعود، قسمه الگوریتم دسته بندی شبکه عصبی، سومین کنفرانس ... [مقاله کنفرانسی]
  • J. S. R. Jang, 1993, ANFIS: Adap tive-netwo rk-based fuzzy ...
  • AE. Eiben, Introduction to Evolutionary Computing, Springer, 2003. ...
  • M. Amit, 2010, Design of Fuzzy Neural Network for Function ...
  • L. I. Kuncheva, 1998, Nearest proto-ype classification: Clustering, genetic algorithms ...
  • Marsala. Ch, Granular computing, Phys ica-Verlag GmbH Heidelberg, Germany, 2001, ...
  • A. Mahmoudi, 2012, Analyzing price, warranty length, and service capacity ...
  • Yan, K, 1997, Sidelobe reduction in array-pattern synthesis using genetic ...
  • نمایش کامل مراجع