Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Logistyka

1 2014

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: multi-step gradient method

Sortuj według:

Ogranicz wyniki do:

Modelowanie systemu prognozowania natężenia ruchu z zastosowaniem rozmytej mapy kognitywnej i wielokrokowych algorytmów uczenia

Jastriebow A., Poczęta K.

Logistyka

2014

nr 3

2590--2597

Rozmyta mapa kognitywna (ang. fuzzy cognitive map FCM) stanowi efektywne narzędzie modelowania dynamicznych systemów wspomagania decyzyjnego. Kluczowym zagadnieniem związanym z FCM jest możliwość uczenia macierzy relacji na podstawie rzeczywistych danych. Niniejsza praca prezentuje zastosowanie rozmytej mapy kognitywnej oraz wielokrokowych algorytmów uczenia w modelowaniu systemu prognozowania natężenia ruchu. Opisano FCM oraz wielokrokowe algorytmy uczenia nadzorowanego opartego na metodzie gradientowej. Przedstawiono wybrane wyniki analizy symulacyjnej opracowanego modelowania kognitywnego na przykładzie systemu prognozowania natężenia ruchu. Uczenie oraz testowanie FCM przeprowadzono z zastosowaniem rzeczywistych znormalizowanych danych. Dokonano analizy porównawczej wielokrokowej metody gradientowej z jednokrokową, pod kątem wpływu na działanie modelowanego systemu. Uzyskane wyniki pokazują dostateczną efektywność zastosowania rozmytej mapy kognitywnej i wielokrokowych algorytmów uczenia w prognozowaniu natężenia ruchu.

Fuzzy cognitive map (FCM) is an effective tool for modeling of dynamic decision support systems. The crucial issue connected with the FCM is the ability to learn the relations matrix based on real data. This paper presents the use of fuzzy cognitive map and multi-step learning algorithms in modeling of decision support system for traffic forecasting. FCM and multi-step supervised learning algorithms based on gradient method are described. Selected results of simulation analysis of the cognitive modeling on the example of traffic forecasting are shown. FCM learning and testing were performed with the use of real normalized data. Comparative analysis of multi-step gradient method to one-step algorithm, from the point of view of the influence on the modeled system was done. The results show the sufficient effectiveness of the use of fuzzy cognitive map and multi-step learning algorithms in traffic forecasting.