عنوان مقاله :

Improvement of RBF neural networks using Fuzzy-OSD algorithm in
an online radar pulse classification system

سال چاپ : 2013

لینک مقاله :   http://dx.doi.org/10.1016/j.asoc.2013.04.021

ترجمه چکیده مقاله :

بهبود شبکه های عصبی RBF با استفاده از الگوریتم fuzzy-OSD در سیستم دسته بندی پالس رادار آنلاین (online radar pulse)

چکیده: در این مقاله متدلوژی جدیدی برای آموزش شبکه های عصبی RBF معرفی و بررسی می شود. این روش جدید، Fuzzy-OSD نامیده می شود که می تواند در اپلیکیشن هایی بکار برده شود که به توانایی بلادرنگ برای آموزش مجدد شبکه های عصبی نیاز دارد. روش پیشنهادی از خوشه بندی فازی برای بهبود قابلیت الگوریتم یادگیری Optimum Steepest Descent (OSD) استفاده می نماید. این بهبود بخاطر مقداردهی اولیه دقیقتر واحدهای RBF با استفاده از الگوریتم خوشه بندی فازی C-Means است که پاسخ شبکه یکسان و بهتری را در تلاشهای آموزشهای مجدد متفاوت نتیجه می دهد. علاوه براین، تنظیم واحدهای RBF در شبکه با دقت بالا کارایی بهتری را در تکرارهای آموزشی کمتر نتیجه می دهد که بویژه در سیستم های بلادرنگ وقتی آموزش مجدد سریع شبکه  لازم است ،ضروری است. این روش جدید را در سیستم دسته بندی online radar pulse بکار بردیم که به آموزش مجدد سریع شبکه برای امواج جدید دیده نشده شناسایی شده نیاز دارد. با مقایسه نتایج الگوریتم جدید و روش OSD سه مرحله ای بر روی مسائل ارزیاب از دیتابیسProben1  و همچنین استفاده از آنها در سیستممان، بهبود را در نتایج بدست آوردیم همانگونه که در این مقاله ارائه شده است.

پیاده سازی مقاله فازی و شبکه عصبی RBF در متلب

چکیده لاتین مقاله :

In this paper a new methodology for training radial basis function (RBF) neural networks is introduced and examined. This novel approach, called Fuzzy-OSD, could be used in applications, which need realtime capabilities for retraining neural networks. The proposed method uses fuzzy clustering in order to improve the functionality of the Optimum Steepest Descent (OSD) learning algorithm. This improvement is due to initialization of RBF units more precisely using fuzzy C-Means clustering algorithm that results in producing better and the same network response in different retraining attempts. In addition, adjusting RBF units in the network with great accuracy will result in better performance in fewer train iterations,
which is essential when fast retraining of the network is needed, especially in the real-time systems. We employed this new method in an online radar pulse classification system, which needs quick retraining of the network once new unseen emitters detected. Having compared result of applying the new algorithm and Three-Phase OSD method to benchmark problems from Proben1 database and also using them in our system, we achieved improvement in the results as presented in this paper.

کد متلب مقاله  فازی

پیاده سازی مقاله فازی در متلب با عنوان 

Improvement of RBF neural networks using Fuzzy-OSD algorithm in
an online radar pulse classification system

جهت دریافت پیاده سازی مقاله فازی و شبکه عصبی RBF در متلب  با ما تماس بگیرید .

میتوانید بصورت آنلاین دموی شبیه سازی انجام شده را مشاهده کنید:

شماره تماس 09120563264

ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir

نوشته پیاده سازی مقاله فازی و شبکه عصبی RBF در متلب اولین بار در برنامه نویسی هوشمند پدیدار شد.

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.

کد متلب مقاله  فازی

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

نوشته پیاده سازی مقاله فازی 2014 اولین بار در برنامه نویسی هوشمند پدیدار شد.