Implementace fuzzy systémů granulární RBF sítí: aplikace pro modelování časových řad
Popis výsledku
Článek se věnuje fuzzy systémům pro zobrazování vstupních fuzzy množin do výstupních fuzzy množin. Analogickými vlastnostmi jsou obdařené i RBF sítě, co je předurčuje pro flexibilní praktické využití. Diskutuje se základná struktura fuzzy systému jako jednoduchá a stále ještěvýkoný modelovací nástroj. Neuronové sítě a systémy založené na fuzzy logice se zakládají na velice podobném matematickém aparátu. Detailně se zkoumá podobnost mezi RBF neuronovými sítěmi a fuzzy modely.Rozšiřuje se RBF síť zakomponováním soft konceptu. Nakonec je diskutovaná a porovnávaná aproximační a predikční přesnost ekonomických časových řad s různými typy RBF sítí s fuzzy a statistickými modely.
Klíčová slova
probabilistic time-series modelsfuzzy systemclassic and soft RBF networkcloud modelsgranular computing
Identifikátory výsledku
Kód výsledku v IS VaVaI
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Granular RBF Neural Network Implementation of Fuzzy Systems: Application to Time Series Modeling
Popis výsledku v původním jazyce
In this study, we are concerned with fuzy systems for mapping input fuzzy sets to output fuzzy sets The RBF (Radial Basic Function) network or other neural network are endowed with some properties that make them more flexible and logically appealing At first, we discuss the basic structure of the fuzzy system as a simple yet powerful fuzzy modeling technique. Neural networks and fuzzy logic models are based on very similar underlying mathematics. The similarity between RBF networks and fuzzy models is noted in detail. Then, we propose the extension of RBF neural networks by the cloud model. Time series approximation and prediction by applying RBF neural networks or fuzzy models and comparisons between the various types of RBF networks and statistical models are discussed at length. An application is included to illustrate the approximation performance of these approaches for economic fuzzy and statistical time series.
Název v anglickém jazyce
Granular RBF Neural Network Implementation of Fuzzy Systems: Application to Time Series Modeling
Popis výsledku anglicky
In this study, we are concerned with fuzy systems for mapping input fuzzy sets to output fuzzy sets The RBF (Radial Basic Function) network or other neural network are endowed with some properties that make them more flexible and logically appealing At first, we discuss the basic structure of the fuzzy system as a simple yet powerful fuzzy modeling technique. Neural networks and fuzzy logic models are based on very similar underlying mathematics. The similarity between RBF networks and fuzzy models is noted in detail. Then, we propose the extension of RBF neural networks by the cloud model. Time series approximation and prediction by applying RBF neural networks or fuzzy models and comparisons between the various types of RBF networks and statistical models are discussed at length. An application is included to illustrate the approximation performance of these approaches for economic fuzzy and statistical time series.
Klasifikace
Druh
Jx - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
AH - Ekonomie
OECD FORD obor
—
Návaznosti výsledku
Projekt
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2007
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Jourtnalk of Mult.-Valued Logic & Soft Computing
ISSN
1542-3980
e-ISSN
—
Svazek periodika
14
Číslo periodika v rámci svazku
2007
Stát vydavatele periodika
US - Spojené státy americké
Počet stran výsledku
14
Strana od-do
401-414
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—
Základní informace
Druh výsledku
Jx - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP
AH - Ekonomie
Rok uplatnění
2007