پیش بینی سری زمانی دما و فشارحاصل ازسطح دریا با استفاده از شبکه های عصبی فازی ممدانی، سوگنو، لارسن و تسوکاموتو

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 804

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSITM01_192

تاریخ نمایه سازی: 10 شهریور 1393

چکیده مقاله:

دما و فشار به عنوان یکی از مهمترین رویدادهای طبیعی بوده که بر ابعاد مختلف زندگی بشر تاثیر می گذارد. در طی دهه هایاخیر روش های هوش مصنوعی، توانایی های زیادی را درمدل سازی و پیش بینی سریهای زمانی غیرخطی و غیرایستا از خود نشانداده اند. ازاین رو در این مقاله، از روشهای مختلف شبکه های عصبی فازی از جمله ممدانی، سوگنو، لارسن و تسوکاموتو به منظورپیش بینی سری زمانی دما و فشار، استفاده شده است. به این منظور ازداده های هوا شناسی استان تهران در سال 1387 شمسی،برای ارائه نتایج شبیه سازی این مقاله استفاده شده است، در پایان، به بررسی و مقایسه نتایج حاصل از پیاده سازی و اجرای شیکههای عصبی فازی مختلف پرداخته ایم. نتایج بدست آمده، حاکی از عملکرد متفاوت شبکه های عصبی فازی مختلف در حوزه سریهای زمانی متنوع می باشد، به عبارتی دیگر هر نوع شبکه عصبی فازی متناسب با سری های زمانی استفاده شده، کارآیی متفاوتخواهد داشت.

کلیدواژه ها:

پیش بینی سری زمانی ، سیستم های فازی ، شبکه های عصبی فازی ، پیش بینی دما و فشار

نویسندگان

یوسف شرفی

دانشجوی دکتری دانشگاه آزاد اسلامی واحد علوم و تحقیقات، گروه کامپیوتر، تهران، ایران

علیرضا فلاحی آذر

دانشجوی دکتری دانشگاه آزاد اسلامی واحد علوم و تحقیقات، گروه کامپیوتر، تهران، ایران

محمد تشنه لب

هیئت علمی دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، 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 :
  • نیرومند. حسینعلی، " تجزیه و تحلیل سری های زمانی"، دانشگاه ...
  • identification of fuzzy model", fuzzy sets and systems, pp. 15- ...
  • Fuller, Robert, . Neural Fuzzy System. Donner Visiting professor Abo ...
  • Takagi T, Sugeno M, "Fuzzy identification of systems and its ...
  • Mannle M, "Tdentify rule- base TSK fuzzy method", uni of ...
  • Mamnle M, "FTSM: Fast Takagi- Sugeno fizzy modeling", uni of ...
  • Adaptive -Network- Based Fuzzy Inference System, IEEE Trans. :ANFIS:ه Jyh-Shing ...
  • Yager, R. R. and Zadeh, L. A., "Fuzzy Sets Neural ...
  • Jang, J.-S. R., and Mizutani, E., _ Levenb erg-Marquardt Method ...
  • Jang, J.S.R.: ANFIS: Adaptive -network based fuzzy inference system. IEEE ...
  • Mamdani, E.H.: Applications of fuzzy algorithm for simple dynamic plant. ...
  • Sugeno, M.: Industrial applications of fuzzy control. Elsevier Science Pub. ...
  • Tsukamoto, Y.: An approach to fizzy resoning method. In: Gupta, ...
  • Shoureshi, R., _ _ sukamoto-Type Neural Fuzzy Inference Network", T ...
  • Ghomsheh, V., Aliyari Shoorehdeli, M., Teshnehlab, M."Training ANFIS Structure with ...
  • نمایش کامل مراجع