PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2011 | 21 | nr 202 | 9-21
Tytuł artykułu

Hybrid Type-2 Wavelet-neuro-fuzzy Network for Prediction of Business Processes

Warianty tytułu
Sieć typu hybrid type-2 wavelet-neuro-fuzzy network do prognozowania procesów biznesowych
Języki publikacji
EN
Abstrakty
W artykule przedstawiono koncepcje architektury systemu hybrydowego type-2 wavelet-neuro-fuzzy-system. Taki system jest rozszerzeniem zestawu systemu type-1 wavelet-neuro-fuzzy. Odrębną własnością proponowanego rozwiązania jest wykorzystanie funkcji uczestnictwa type-2 rozmytego uczestnictwa w poprzedzających warstwach oraz adaptacyjne wielowymiarowe fale elementarne jako funkcji aktywizacyjnej. Zaprezentowano algorytmy dla wszystkich parametrów funkcji uczących i dla wszystkich parametrów funkcyjnych w procesie wykorzystania warstwy i adaptacyjnych zestawu. Zaproponowano algorytmy uczące dla wszystkich parametrów jako funkcji uczestnictwa oraz procedurę modelu typu redukcyjnego, a także uwzględniono defuzyfikację. (abstrakt oryginalny)
EN
In the paper the hybrid type-2 wavelet-neuro-fuzzy-system architecture is proposed. Such a system is approximated by an ensemble of type-1 wavelet-neuro-fuzzy-systems. The distinctive feature of the proposed system is usage of the type-2 fuzzy wavelets membership functions in the antecedent layer and the adaptive multidimensional wavelets as the activation functions in the consequent layers. The learning algorithms for all antecedent and consequent functions’ parameters and procedure of model type-reduction and defuzzification are proposed. (original abstract)
Słowa kluczowe
Twórcy
  • Kharkiv National University of Radio Electronics, Kharkiv, Ukraine
  • Kharkiv National University of Radio Electronics, Kharkiv, Ukraine
Bibliografia
  • Abiyev R.H., Kaynak O., Fuzzy wavelet neural networks for identification and control of dynamic plants. A novel structure and a comparative study, IEEE Transactions on Industrial Electronics 2008, Vol. 55, No. 8, pp. 3133–3140.
  • Bodyanskiy Ye.V., Mikhalyov O.I., Pliss I.P., Adaptive Detection in the Control Plants Using Artificial Neural Networks, Systemni Tekhtologii, Dnipropetrovs’k 2000 [in Ukrainian].
  • Bodyanskiy Ye.V., Pliss I.P., Solovyova Т.V., Adaptive general prediction of multivariate stochastic sequences, Doklady of AN USSR 1989, А, 9, pp. 73–75 [in Russian].
  • Bodyanskiy Ye., Pliss I., Vynokurova O., Hybrid wavelet-neuro-fuzzy system using adaptive Wneurons, Wissenschaftliche Berichte, FH Zittau/Goerlitz 2010, 106, N 2454-2490, pp. 301–308.
  • Bodyanskiy Ye., Vynokurova O., Hybrid radial-basis neuro-fuzzy wavelon in the nonstationary sequences forecasting problems, Proc. 2nd Int. Conf. on Inductive Modeling, Kyiv 2008, pp. 144–147.
  • Bodyanskiy Ye., Vynokurova O., Compartmental adaptive wavelon and its learning algorithm, Control Systems and Machines 2009a, Vol. 1 (219), pp. 47–53 [in Russian].
  • Bodyanskiy Ye., Vynokurova O., Data mining based on hybrid wavelet-neuro-fuzzy system using W-neurons, Computer Technology 2009b, Vol. 104 (117), pp. 88+98 [in Ukrainian].
  • Bodyanskiy Ye., Yegorova E., Vynokurova O., Radial-basis-fuzzy-wavelet-neural network with adaptive activation-membership function, International Journal on Artificial Intelligence and Machine Learning 2008, Vol. 8, pp. 9–15.
  • Jang J.-S.R., Sun C.-T., Muzutani E., Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, Prentice Hall, Upper Saddle River, N.J. 1997.
  • John R., Coupland S., Type-2 fuzzy logic: A historical view, IEEE Computational Intelligence Magazine 2007, Vol. 2, No. 1, pp. 57–62.
  • Kaczmarz S., Approximate solution of systems of linear equations, International Journal of Control 1993, Vol. 53, pp. 1269–1271.
  • Karnik N.N., Mendel J.M., Application of type-2 fuzzy logic systems to forecasting of time-series, Information Sciences 1999, Vol. 120, pp. 89–111.
  • Maowen N., Woei W.T., Towards an efficient type-reduction method for interval type-2 fuzzy logic systems, [in:] Proceedings of IEEE International Conference on Fuzzy Systems, Hong Kong 2008, pp. 1425–1432.
  • Mendel J., Uncertain Rule-Based Fuzzy Logic Systems: Introduction and New Directions, Prentice Hall, Upper-Saddle River, NJ, 2001.
  • Otto P., Bodyanskiy Ye., Kolodyazhniy V., A new learning algorithm for a forecasting neuro-fuzzy network, Integrated Computer-Aided Engineering 2003, Vol. 10, N4, IOS Press, Amsterdam 2003, pp. 399–409.
  • Otto P., Schunk T., Fuzzy based time series forecasting of electrical load, [in:] Proceedings of the European Control Conference ECC’99, Karlsruhe, Germany, 1999.
  • Singh M., Srivastava S., Hanmandlu M., Gupta J.R.P., Type-2 fuzzy wavelet networks (T2FWN) for system identification using fuzzy differential and Lyapunov stability algorithm, Applied Soft Computing 2009, Vol. 9, No. 3, pp. 977–989.
  • Wang L., Adaptive Fuzzy Systems and Control. Design and Stability Analysis, Prentice Hall, Englewood Cliffs, NJ, 1994.
  • Wu H., Mendel J.M., Uncertainty bounds and their use in the design of interval type-2 fuzzy logic system, IEEE Transactions on Fuzzy Systems 2002, Vol. 10, No. 5, pp. 622–639.
  • Zadeh L.A., The concept of linguistic variable and its application to approximate reasoning, Information Sciences 1975, Vol. 8, pp. 199–249
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171197901
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.