Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Neural intuitionistic fuzzy system with justified granularity

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25410%2F22%3A39919466" target="_blank" >RIV/00216275:25410/22:39919466 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/article/10.1007/s00521-022-07504-x" target="_blank" >https://link.springer.com/article/10.1007/s00521-022-07504-x</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/s00521-022-07504-x" target="_blank" >10.1007/s00521-022-07504-x</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Neural intuitionistic fuzzy system with justified granularity

  • Popis výsledku v původním jazyce

    Fuzzy systems are intensively investigated and extended to construct forecasting models. In particular, intuitionistic fuzzy sets are used to capture higher levels of uncertainty occurring in the modeled data. Neural networks are also used to reflect nonlinearity relationships frequently observed in time series. This paper proposes a new hybrid system merging fuzzy system with neural networks and an advanced optimization technique, the principle of justified granularity. Using this technique, we construct an innovative time-series forecasting model. In the experimental part of the paper, we demonstrate the advantages arising from applying the proposed approach to metal price forecasting. Finally, we provide evidence that the proposed model is competitive with the current state-of-the-art models for the forecasting horizons of one and five days.

  • Název v anglickém jazyce

    Neural intuitionistic fuzzy system with justified granularity

  • Popis výsledku anglicky

    Fuzzy systems are intensively investigated and extended to construct forecasting models. In particular, intuitionistic fuzzy sets are used to capture higher levels of uncertainty occurring in the modeled data. Neural networks are also used to reflect nonlinearity relationships frequently observed in time series. This paper proposes a new hybrid system merging fuzzy system with neural networks and an advanced optimization technique, the principle of justified granularity. Using this technique, we construct an innovative time-series forecasting model. In the experimental part of the paper, we demonstrate the advantages arising from applying the proposed approach to metal price forecasting. Finally, we provide evidence that the proposed model is competitive with the current state-of-the-art models for the forecasting horizons of one and five days.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA19-15498S" target="_blank" >GA19-15498S: Modelování emocí ve verbální a neverbální manažerské komunikaci pro predikci podnikových finančních rizik</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Neural Computing and Applications

  • ISSN

    0941-0643

  • e-ISSN

    1433-3058

  • Svazek periodika

    34

  • Číslo periodika v rámci svazku

    Neuveden

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    17

  • Strana od-do

    19423-19439

  • Kód UT WoS článku

    000820553800004

  • EID výsledku v databázi Scopus

    2-s2.0-85133455875