کد متلب مقاله فازی سال 2014
عنوان مقاله :
Evolutionary learning of fuzzy grey cognitive maps for the forecasting of multivariate, interval-valued time series
سال چاپ : 2014
لینک مقاله : http://dx.doi.org/10.1016/j.ijar.2014.02.006
چکیده: سریهای زمانی بصورت مشاهده های با مقدار حقیقی (حقیقی-مقدار یا real-valued) مرتب در زمان ساخته می شوند؛ با این حال، در بعضی موارد، مقادیر مشاهده شدهی متغیرها بصورت قابل توجهی تغییر می کنند، و این تغییرات اطلاعات مفیدی را تولید نمی کنند. بنابراین، در تناوبهای (periods) زمانی تعریف شده، تنها آن دسته از کرانهایی (bounds) که متغیرها تغییر می کنند، در نظر گرفته می شوند. دنباله ی زمانی (temporal) بردارها با المانهایی بازه-مقدار سری های زمانی چند متغیره بازه-مقدار (multivariate interval-valued time series) نامیده می شوند [دنباله ی زمانی بردارها که المانهایش با بازه مقداردهی شده است]. در این مقاله، مسئله پیش بینی چنین دادههایی مورد توجه است. پیشنهاد شده است تا از fuzzy grey cognitive maps(FGCMs) به عنوان مدل پیش بینی کننده غیرخطی استفاده کنیم. یک الگوریتم تکاملی برای یادگیری FGCMها با استفاده از بازههای حسابی (interval arithmetic) توسعه داده شد و نشان داده شد که چگونه الگوریتم جدید می تواند برای یادگیری FGCMs براساس دادههای قبلی (historical) سری های زمانی بکار برده شود. آزمایشها بر روی دادههای هواشناسی (meteorological) واقعی تاییدی هستند که (برای یادگیری تنظیم شده بطور مناسب و پیش بینی محور افق [horizons]) روش پیشنهادی می تواند بطور مناسبی برای پیش بینی سریهای زمانی بازه- مقدار، چندمتغیره بکار برده شود. قابلیت تفسیر دامنه –خاص (domain-specific) مدل مبتنی بر FGCM که بدست آورده شد همچنین آن را تایید کرد.
پیاده سازی مقاله فازی 2014
چکیده مقاله :
Time series are built as a result of real-valued observations ordered in time; however, in some cases, the values of the observed variables change significantly, and those changes do not produce useful information. Therefore, within defined periods of time, only those bounds in which the variables change are considered. The temporal sequence of vectors with the interval-valued elements is called a ‘multivariate interval-valued time series.’ In this paper, the problem of forecasting such data is addressed. It is proposed to use fuzzy grey cognitive maps (FGCMs) as a nonlinear predictive model. Using interval arithmetic, an evolutionary algorithm for learning FGCMs is developed, and it is shown how the new algorithm can be applied to learn FGCMs on the basis of historical time series data. Experiments with real meteorological data provided evidence that, for properly-adjusted learning and prediction horizons, the proposed approach can be used effectively to the forecasting of multivariate, interval-valued time series. The domain-specific interpretability of the FGCM-based model that was obtained also is confirmed.
پیاده سازی مقاله فازی در متلب با عنوان
Evolutionary learning of fuzzy grey cognitive maps for the forecasting of multivariate, interval-valued time series
جهت دریافت کد متلب مقاله فازی فوق با ما تماس بگیرید
شماره تماس 09120563264
ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir
کد متلب + توضیحات کدها+ترجمه مقاله
