پیاده سازی مقاله فازی

پیاده سازی مقاله فازی wang mandel در متلب

در این محصول ، ما مقاله با عنوان Generating Fuzzy Rules by Learning from Examples را در نرم افزار Matlab شبیه سازی کرده ایم و روش توضیح داده شده در مقاله را کد کرده ایم.

مقاله ونگ مندل به همراه ترجمه ، مقاله wang mandel به همراه ترجمه

ساخت قوانین فازی از داده ها به روش ونگ مندل

 با استفاده از مقاله :

Generating Fuzzy Rules by Learning from Examples

 Li-Xin Wang,Fellow, IEEE,and Jerry M.Mendel,Fellow,IEEE

مقاله ونگ مندل روش ساخت قوانین فازی را از روی داده های مورد بررسی قرار میدهد .

این مقاله به همراه ترجمه را میتوانید از ما دریافت کنید.

همیچنین کد متلب این مقاله موجود می باشد.در این کد ما تابع y=x1^2+x2^2 را برای ساخت داده مورد استفاده قرار دادایم و سپس به روشی که در مقاله ونگ مندل توضیح داده شده است قوانین فازی را می سازیم و در نهایت ارزیابی میکنیم.

لینک دانلود مقاله Generating Fuzzy Rules by Learning from Examples

جهت دریافت کد متلب مقاله فازی ونگ مندل و ترجمه آن می توانید بصورت آنلاین با کلیک بر دکمه خرید فایل اقدام کنید.

کليک جهت خريد کالا ، به منظور پذيرش قوانين و مقررات سايت مي باشد .

با خرید این محصول ، کد ، توضیحات کد و ترجمه مقاله را یکجا دریافت خواهید کرد.

بخشی از مقاله برای مطالعه شما عزیزان در زیر قرار داده شده است:

در این مقاله یک روش عمومی برای تولید قوانین فازی از داده های عددی توسعه داده شده است.

این شیوه جدید شامل 5 مرحله است: مرحله اول، فضای داده های ورودی و خروجی را به نواحی فازی تقسیم میکند.

در مرحله دوم: قوانین فازی را از داده های داده شده می سازد .

مرحله سوم، به هر قانون تولید شده درجه ای را اختصاص می دهد به منظور حل مشکل تداخل در بین قوانین ایجاد شده.

مرحله چهارم،یک پایگاه قوانین فازی (Fuzzy Rule Base) ایجاد میکند که ترکیبی از قوانین تولید شده در مرحله قبل وقوانین زبانی (linguistic) بدست امده از افراد خبره می باشد.

و مرحله پنجم ، یک نگاشت از فضای ورودی به فضای خروجی را بر اساس پایگاه قوانین فازی حاصل از مرحله قبل،با استفاده از رویه فازی زدایی ایجاد میکند.

اثبات شده که این نگاشت قادر به تخمین زدن هر تابع پیوسته حقیقی با دقت دلخواه می باشد.

کاربرد این روش در مسائلی مانند پیش بینی سری های زمانی و کنترل کامیون backer-upper نیز ارائه شده است.

برای مسئله کنترل کامیون،کارایی این روش جدید با کنترلر شبکه عصبی و کنترلر فازی limited-rule مقایسه شده است و روش جدید کارایی بهتری را نشان داده است.

برای مسئله پیش بینی سری های زمانی، نتایج برای سری های زمانی Mackey-Glass با روش جدید و پیش بینی کننده شبکه عصبی مقایسه شده اند.

شماره تماس : 09120563264

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *