این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۵، شماره ۲، صفحات ۳-۱۶
عنوان فارسی ارائه ی رویکردی فازی نوین برای بهینه سازی پیش بینی سری زمانی بامرتبه ی بالا
چکیده فارسی مقاله در این پژوهش، یک روش بهینه­سازی پیش­بینیِ فازیِ جدید مبتنی بر سری­های زمانی فازی مرتبه بالا ارائه می­شود که درآن از تابع بهینه­سازی ازدحام ذرات برای بهینه کردن الگوریتم محاسبه­ی ویژگی استفاده شده است. هدف روشِ پیشنهادی، پیش­بینی سری زمانی فازی مرتبه بالا است و عملکردِ بهتری را برای رفع مشکلات پیش­بینی سری­های زمانی فازی مرتبه بالا، ارائه می­دهد. بدین منظور روش تحقیق شامل عملکردِ روش پیشنهادی بدین صورت است که پس از فازی­سازیِ سری زمانی و ایجاد روابط منطقی فازی، با استفاده از حدِ پایینِ بازه­ی عنصرِ موردِ پیش­بینی و بازه­ی پس از آن و اختلاف حاصل از عناصر متوالی، محاسبات خاصی را انجام داده و مجموعه­ای از ویژگی­ها بدست می­آید. سپس با استفاده از تابع بهینه­سازی ازدحام ذرات بهترین پارامترها انتخاب می­شود. در همین راستا تابع شایستگی در روش پیشنهادی دو بخش دارد : یک بخش به صورت کلی (میانگین تمام مرتبه­ها) و یک بخش به صورت جزئی(تک­تک ستون مرتبه­ها) است . یافته­ها و نتایج تجربی حاکی از این است که : ویژگی­های بدست آمده توسط روش پیشنهادی، از داده­های پرت و زائد کمتری برخوردار است که این خود سبب پیش­بینی نزدیک­تر، با خطای کمتر می­گردد  و در نهایت غیرفازی انجام می­شود . عدد حاصل، مقدار صحیح پیش­بینی شده عنصر مورد نظر می­باشد. روش پیشنهادی با استفاده از داده­های سری زمانی ثبت­نام دانشگاه آلاباما که شامل تعداد ثبت­نام سالانه در این دانشگاه - از سال 1971 تا سال 1992میلادی- انجام شده و با سایر روش­ها، توسط میانگین مجذور خطا و میانگین خطا، برای تعیین نرخ دقت پیش­بینی، مورد مقایسه قرار گرفت به گونه­ای که در مقایسه با سایر روش­ها، شاهد خطای کمتری بودیم.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Optimization Predicting High Order Time Series With Fuzzy Approach
چکیده انگلیسی مقاله       In this paper, we proposed a new fuzzy prediction novel based on the high order fuzzy time series. Our proposed model is based on the higher order fuzzy time series prediction computation approach. At that, particle swarm optimization is used to optimize Calculation algorithm features, which renders a better performance in order to solve the problems of higher order fuzzy time series. The performance of the approach is presented in which after the fuzzification of time series and creating the logical fuzzy relations, by using the lower limit of the predicting element's range and its consecutive range, and the resulted difference of sequential elements, some specific computations are done and a set of features are gained. Then, using the particle swarm optimization function the best parameter is selected. The fitness function in the proposed method has two parts: a general section (the average of all orders) and a partial (Every columns orders). Properties obtained by this method, have less outliers data and waste. Which it Causes predicted closer, with less error. Finally, defuzzification is performed. The yielded score is the predicted integer value of considered element. In order to decide the precision of the prediction's rate, we compare the proposed model to other methods using the mean square error and the average error. We have implemented this method on the Alabama University's enrollment database and we found less error in comparison to the other methods.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فهیمه آزادیان |


حسام عمران پور |


نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1188-2&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-877393.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات