Zastosowanie rozmytej mapy kognitywnej z dwukrokowym algorytmem uczenia opartym na markowskim modelu gradientu w predykcji szeregów czasowych

• Autorzy: Jastriebov A. , Poczęta K.

Warianty tytułu

EN

Application of fuzzy cognitive map with two-step learning algorithm based on Markov model of gradient for time series prediction

• Języki publikacji: PL

Abstrakty

PL

Rozmyta mapa kognitywna FCM to inteligentny model, stanowiący efektywne narzędzie modelowania systemów predykcji szeregów czasowych. Zaletą FCM jest zdolność uczenia macierzy relacji na podstawie dostępnych danych z zastosowaniem nadzorowanych lub populacyjnych algorytmów. Niniejsza praca poświęcona jest analizie zastosowania dwukrokowego algorytmu uczenia rozmytej mapy kognitywnej bazującego na markowskim modelu gradientu w prognozowaniu szeregów czasowych. W procesie uczenia i testowania działania nauczonej FCM zastosowano dane idealne oraz dane z błędami pomiarowymi o różnym stopniu zaszumienia, wygenerowane na podstawie rzeczywistego systemu zarządzania biznesem elektronicznym. Dokonano analizy porównawczej dwukrokowej metody markowskiego modelu gradientu oraz jednokrokowej metody gradientowej pod kątem szybkości zbieżności algorytmu oraz uzyskanej dokładności predykcji szeregów czasowych.

EN

Fuzzy cognitive map FCM is an intelligent model, that can be used as a useful tool for modeling systems for time series prediction. The advantage of FCMs is their ability to learn the relations matrix based on real data with the use of supervised or population-based algorithms. This paper is devoted to the analysis of the application of FCM with two-step learning algorithm based on Markov model of gradient in time series prediction. Ideal data and data with measurement errors of varying degrees of noise were generated based on real-life system for e-commerce strategic planning and used in learning and testing process. The comparative analysis of two-step method of Markov model of gradient to one-step gradient method from the point of view of the speed of convergence of learning algorithm and the obtained precision of time series prediction was performed.

Słowa kluczowe

PL

rozmyta mapa kognitywna; algorytm uczenia; model gradientu; predykcja szeregów czasowych; system prognozowania

EN

fuzzy cognitive map; learning algorithm; Markov model; time series prediction

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 6
• Strony: 4905--4915
• Opis fizyczny: Bibliogr. 20 poz., rys., tab., wykr., pełny tekst na CD3

Twórcy

autor

Jastriebov A.

• Politechnika Świętokrzyska, Wydział Elektrotechniki, Automatyki i Informatyki; 25-314 Kielce; al. Tysiąclecia Państwa Polskiego 7. Tel: + 48 41 342- 42-39

autor

Poczęta K.

• Politechnika Świętokrzyska, Wydział Elektrotechniki, Automatyki i Informatyki; 25-314 Kielce; al. Tysiąclecia Państwa Polskiego 7. Tel: + 48 41 342-42-06

Bibliografia

• 1. Ahmadi S., Alizadeh S., Forouzideh N., Chung-Hsing Y., Martin R., Papageorgiou E.: ICLA ImperialistCompetitive Learning Algorithm for FuzzyCognitive Map: Application to WaterDemandForecasting.2014 IEEE International Conference on Fuzzy Systems, July 6-11, Beijing, China, 2014, pp. 1041–1048.
• 2. Homenda W., Jastrzębska A., Pedrycz W.: Modeling Time Series with FuzzyCognitiveMaps. 2014 IEEE International Conference on Fuzzy Systems, July 6-11, Beijing, China, 2014, pp. 2055–2062.
• 3. Froelich W., Papageorgiou E. I.: Extended Evolutionary Learning of Fuzzy Cognitive Maps for the Prediction of Multivariate Time-Series. In. Papageorgiou E. I.: Fuzzy Cognitive maps for Applied Sciences and Engineering – From fundamentals to extensions and learning algorithms. Intelligent Systems Reference Library, vol. 54, Springer, 2014, pp. 121–132.
• 4. Jastriebow A., Piotrowska K. (Poczęta K.): Synthesis and Analysis of Multi-step Learning Algorithms for Fuzzy Cognitive Maps. In. Papageorgiou E. I.: Fuzzy Cognitive maps for Applied Sciences and Engineering – From fundamentals to extensions and learning algorithms. Intelligent Systems Reference Library, vol. 54, Springer, 2014, pp. 133–144.
• 5. Jastriebow A., Poczęta K.: Modelowanie systemu prognozowania natężenia ruchu z zastosowaniem rozmytej mapy kognitywnej i wielokrokowych algorytmów uczenia. Logistyka 3/2014, 2014, str. 2590–2597.
• 6. Kannappan A., Papageorgiou, E. I.: A new classification scheme using artificial immune systems learning for fuzzy cognitive mapping. Fuzzy Systems (FUZZ), IEEE International Conference on, 2013, pp. 1–8.
• 7. Kannappan A., Tamilarasi A., Papageorgiou E. I.: Analyzing the performance of fuzzy cognitive maps with non-linear hebbian learning algorithm in predicting autistic disorder.Expert Systems with Applications 38, 2011, pp. 1282–1292.
• 8. Kosko B.: Fuzzy cognitive maps. Int. J. Man-Machine Studies, 1986, vol. 24, pp. 65–75.
• 9. Lu W., Yang J., Liu X.: The Hybrids Algorithms Based on Fuzzy Cognitive Map for Fuzzy Time Series Prediction. Journal of Information & Computational Science 11:2, 2014, pp. 357–366.
• 10. Papageorgiou E. I., Froelich W.: Multi-step prediction of pulmonary infection with the use of evolutionary fuzzy cognitive maps. Neurocomputing 92, 2012, pp. 28–35.
• 11. Piotrowska K. (Poczęta K.): Implementacja inteligentnego systemu ekspertowego opartego na mapach kognitywnych. W: Jastriebow A., Kuźmińska-Sołśnia B., Raczyńska M. (red.) Technologie komputerowe w rozwoju nauki, techniki i edukacji. Wydawnictwo Naukowe Instytutu Technologii Eksploatacji - PIB, Radom, 2012, str. 91–101.
• 12. Poczęta K., Yastrebov A.: Analysis of Fuzzy Cognitive Maps with Multi-Step Learning Algorithms in Valuation of Owner-Occupied Homes. 2014 IEEE International Conference on Fuzzy Systems, July 6-11, Beijing, China, 2014, pp. 1029–1035.
• 13. Shilman S. V., Jastriebow A. I.: Analiza zbieżności pewnej klasy wielokrokowych stochastycznych algorytmów optymalizacji. Automatyka i Telemechanika, nr 8, 1976 (w jęz. rosyjskim).
• 14. Słoń G.: The Use of Fuzzy Numbers in the Process of Designing Relational Fuzzy Cognitive Maps. Lecture Notes in Artificial Intelligence LNAI 7894/Part1, Springer-Verlag, 2013, pp. 376–387.
• 15. SłońG.: Application of Models of RelationalFuzzyCognitiveMaps for Prediction of Work of Complex Systems. In: Rutkowski L., Korytkowski M., Scherer R., Tadeusiewicz R., Zadeh L. A., Zurada J. M. (eds.), ArtificialIntelligence and Soft Computing - Lecture Notes in ArtificialIntelligence LNAI 8467, 2014, pp. 307–318.
• 16. Song H. J., Miao C. Y., Shen Z. Q., Roel W., Maja D. H., Francky C.: Design of fuzzy cognitive maps using neural networks for predicting chaotic time series. Neural Networks 23, 2010, pp. 1264–1275.
• 17. StachW., Kurgan L., Pedrycz W.: A divide and conquer method for learning large Fuzzy Cognitive Maps. FuzzySets and Systems 161, 2010, pp. 2515–2532.
• 18. Stach W., Kurgan L., Pedrycz W.: Numerical and Linguistic Prediction of Time Series With the Use of Fuzzy Cognitive Maps. IEEE Transactions on Fuzzy Systems 16, Issue:1, 2008, pp. 61–72.
• 19. Stach W., Kurgan L., Pedrycz W., Reformat M.: Genetic learning of fuzzy cognitive maps, Fuzzy Sets and Systems 153 (3), 2005, pp. 371–401.
• 20. Tsadiras A. K.: Using fuzzy cognitive maps for e-commerce strategic planning.In: 9th Panhellenic Conference on Informatics. Thessaloniki, Greece, 2003, pp. 142–151.