کد مقاله فازی در متلب – برنامه نویسی هوشمند

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.

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 .

موارد زیر تحویل شما میشود

ترجمه مقاله
داکیومنت کار انجام شده و شبیه سازی مقاله
کد شبیه سازی مقاله که قابل اجرا در نرم افزار متلب می باشد

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

شماره تماس 09120563264

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

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.

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

کد متلب مقاله فازی – پیاده سازی مقاله فازی با عنوان

Fuzzy rule-based similarity model enables learning from small case bases

پیاده سازی مقاله فازی با عنوان Fuzzy rule-based similarity model enables learning from small case bases

Applied Soft Computing 13 (2013) 2057–2064

سال ۲۰13

خلاصه مقاله:

مفهوم تشابه نقش مهمی را در استدلال مبتنی بر نمونه (case-based reasoning) بازی می نماید. با این حال، معنی تشابه می تواند در وضعیتهای مختلف تغییر نمایدو به دامنه مسئله وابسته می باشد.این مقاله مدل تشابه جدیدی شامل قانونهای فازی linguistic به عنوان حاوی دانش پیشنهاد می نماید. معتقدیم نمایش قانونهای فازی ابزار انعطاف پذیرتری را پیشنهاد می کند تا دانش و معیار برای تعیین تشابه را نسبت به متریکهای تشابه پیشین بیان نماید.یادگیری قانونهای تشابه فازی بوسیله اکتشاف پایگاه نمونه انجام می شود که از آنها به عنوان منبع باارزشی با دربرداشتن دانش مخفی برای یادگیری تشابه استفاده می کند. تشابه نمونه از زوج نمونه های شناخته شده ایجاد می شود که مجاورت راه حلهای نمونه تشابه مسئله نمونه را آشکار می نماید. مقایسه های زوج نمونه ها در پایگاه نمونه را انجام می دهیم تا نمونه های آموزشی به اندازه کافی را برای یادگیری قانونهای تشابه فازی به دست آوریم. مطالعات تجربی نشان داده که روش پیشنهادی توانایی کشف دانش تشابه فازی از تعداد کم نمونه هادارد.

چکیده مقاله:
The concept of similarity plays a fundamental role in case-based reasoning. However, the meaning of
“similarity” can vary in situations and is largely domain dependent. This paper proposes a novel similarity
model consisting of linguistic fuzzy rules as the knowledge container. We believe that fuzzy rules
representation offers a more flexible means to express the knowledge and criteria for similarity assessment
than traditional similarity metrics. The learning of fuzzy similarity rules is performed by exploiting
the case base, which is utilized as a valuable resource with hidden knowledge for similarity learning. A
sample of similarity is created from a pair of known cases in which the vicinity of case solutions reveals
the similarity of case problems. We do pair-wise comparisons of cases in the case base to derive adequate
training examples for learning fuzzy similarity rules. The empirical studies have demonstrated that the
proposed approach is capable of discovering fuzzy similarity knowledge from a rather low number of
cases, giving rise to the competence of CBR systems to work on a small case library.

جهت دریافت کد متلب مقاله فازی فوق ( پیاده سازی مقاله Fuzzy rule-based similarity model enables learning from small case bases در متلب) با ما تماس بگیرید

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

شماره تماس : ۰۹۱۳۹۹۳۵۳۶۰

قیمت : 150000 تومان = کد متلب + توضیحات کدها+ترجمه مقاله + مفهوم کار مقاله

ویرایش

نوشته کد متلب مقاله فازی 2013 اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]>