Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Logistyka

1 2014

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

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

Jastriebov A., Poczęta K.

Logistyka

2014

nr 6

4905-4915

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.

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.