Optimalizace parametrů fuzzy neuronového dynamického modelu
Popis výsledku
V tomto článku je navržena umělá neuronová síť realizující fuzzy model Takagi-Sugeno. Jsou dále navrženy algoritmy pro strukturální a parametrickou on-line identifikaci T-S fuzzy modelu. V rámci identifikace je nejprve vytvořen hrubý model s úplným inicializačním pokrytím celého prostoru vstupních proměnných. Je navržena nová procedura pro dělení fuzzy prostoru k dosažení, co nejmenší chyby modelu. Posledním krokem je extrakce pravidel s minimálním podílem chyby na celkové chybě modelu. Pro optimální nastavení parametrů těchto procedur je použita strategie genetického algoritmu. Tyto procedury a strategie GA byly implementovány do systému FUZNET a použity pro dvě případové studie: predikci M-G časové řady a pro modelování chlazení koksového plynu.
Klíčová slova
Identifikátory výsledku
Kód výsledku v IS VaVaI
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Parameters optimization of fuzzy-neural dynamic model
Popis výsledku v původním jazyce
In this paper we proposed a fuzzy neural network model which can embody a fuzzy Takagi-Sugeno model and curry out fuzzy inference and support structure of fuzzy rules. The algorithm of model properties improvement consists of new origin procedures namelyinput space partition, fuzzy terms number and rule number extending, low-effective fuzzy terms and rules extraction and consequent structure identification. In the proposed fuzzy modeling method we first design a rough initial fuzzy model with completepartition of input variable space (or initial partition based on expert knowledge). Then a fuzzy neural network is constructed based on rough fuzzy model. By learning of the neural network we can tune of embedded initial fuzzy model.
Název v anglickém jazyce
Parameters optimization of fuzzy-neural dynamic model
Popis výsledku anglicky
In this paper we proposed a fuzzy neural network model which can embody a fuzzy Takagi-Sugeno model and curry out fuzzy inference and support structure of fuzzy rules. The algorithm of model properties improvement consists of new origin procedures namelyinput space partition, fuzzy terms number and rule number extending, low-effective fuzzy terms and rules extraction and consequent structure identification. In the proposed fuzzy modeling method we first design a rough initial fuzzy model with completepartition of input variable space (or initial partition based on expert knowledge). Then a fuzzy neural network is constructed based on rough fuzzy model. By learning of the neural network we can tune of embedded initial fuzzy model.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2004
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
NAFIPS 2004: ANNUAL MEETING OF THE NORTH AMERICAN FUZZY INFORMATION PROCESSING SOCIETY
ISBN
0-7803-8376-1
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
—
Název nakladatele
IEEE
Místo vydání
New York
Místo konání akce
Banff, Canada
Datum konání akce
1. 1. 2004
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—
Základní informace
Druh výsledku
D - Stať ve sborníku
CEP
IN - Informatika
Rok uplatnění
2004