PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 6

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  system neuronowo-rozmyty
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available A hybrid model for modelling the salinity of the Tafna River in Algeria
Houari Khemissi, Hartani Tarik, Remini Boualem, Lefkir Abdelouhab, Abda Leila, Heddam Salim
Journal of Water and Land Development
|
2019
|
no. 40
127--135
EN
In this paper, the capacity of an Adaptive-Network-Based Fuzzy Inference System (ANFIS) for predicting salinity of the Tafna River is investigated. Time series data of daily liquid flow and saline concentrations from the gauging station of Pierre du Chat (160801) were used for training, validation and testing the hybrid model. Different methods were used to test the accuracy of our results, i.e. coefficient of determination (R2), Nash–Sutcliffe efficiency coefficient (E), root of the mean squared error (RSR) and graphic techniques. The model produced satisfactory results and showed a very good agreement between the predicted and observed data, with R2 equal (88% for training, 78.01% validation and 80.00% for testing), E equal (85.84% for training, 82.51% validation and 78.17% for testing), and RSR equal (2% for training, 10% validation and 49% for testing).
PL
W pracy badano zdolność systemu wnioskowania rozmytego opartego na adaptacyjnej sieci (ANFIS) do przewidywania zasolenia rzeki Tafna. Do trenowania, oceny i testowania modelu hybrydowego wykorzystano serie pomiarów dobowych przepływów płynu i stężeń soli ze stacji pomiarowej w Pierre du Chat (160801). Dokładność wyników testowano za pomocą: współczynnika determinacji (R2), współczynnika wydajności Nasha–Sutcliffe’a (E), pierwiastka średniego błędu kwadratowego (RSR) i technik graficznych. Model dał zadowalające wyniki i wykazywał dobrą zgodność między danymi obserwowanymi a przewidywanymi: R2 (88% w przypadku uczenia sieci, 78.01% walidacji i 80.00% testowania), E (85.84% w przypadku uczenia sieci, 82.51% walidacji i 78.17% testowania) i RSR (2% w przypadku uczenia sieci, 10% walidacji i 49% testowania).
2
Content available Neuro-rough-fuzzy approach for regression modelling from missing data
Simiński K.
International Journal of Applied Mathematics and Computer Science
|
2012
|
Vol. 22, no. 2
461-476
EN
Real life data sets often suffer from missing data. The neuro-rough-fuzzy systems proposed hitherto often cannot handle such situations. The paper presents a neuro-fuzzy system for data sets with missing values. The proposed solution is a complete neuro-fuzzy system. The system creates a rough fuzzy model from presented data (both full and with missing values) and is able to elaborate the answer for full and missing data examples. The paper also describes the dedicated clustering algorithm. The paper is accompanied by results of numerical experiments.
3
Content available Intelligent financial time series forecasting: A complex neuro-fuzzy approach with multi-swarm intelligence
Li C., Chiang T. W.
International Journal of Applied Mathematics and Computer Science
|
2012
|
Vol. 22, no. 4
787-800
EN
Financial investors often face an urgent need to predict the future. Accurate forecasting may allow investors to be aware of changes in financial markets in the future, so that they can reduce the risk of investment. In this paper, we present an intelligent computing paradigm, called the Complex Neuro-Fuzzy System (CNFS), applied to the problem of financial time series forecasting. The CNFS is an adaptive system, which is designed using Complex Fuzzy Sets (CFSs) whose membership functions are complex-valued and characterized within the unit disc of the complex plane. The application of CFSs to the CNFS can augment the adaptive capability of nonlinear functional mapping, which is valuable for nonlinear forecasting. Moreover, to optimize the CNFS for accurate forecasting, we devised a new hybrid learning method, called the HMSPSO-RLSE, which integrates in a hybrid way the so-called Hierarchical Multi-Swarm PSO (HMSPSO) and the well known Recursive Least Squares Estimator (RLSE). Three examples of financial time series are used to test the proposed approach, whose experimental results outperform those of other methods.
4
Neuro- fuzzy system with hierarchical partition of input domain
Simiński K.
Studia Informatica
|
2008
|
Vol. 29, nr 4A
43-53
EN
The paper presents the method of hierarchical domain partition in fuzzy inference system with parameterized consequences. The novelty of the solution is the partition based on fuzzy clustering. The experimental results on the synthetic and real life data set are also presented.
PL
Artykuł przedstawia metodę hierarchicznego podziału dziedziny w systemie neuronowo-rozmytym. Nowością jest zastosowanie grupowania rozmytego do uzyskania podziału. Zaprezentowane także zostały wyniki eksperymentów zarówno na syntetycznych, jak i na rzeczywistych zbiorach danych.
5
Content available remote System neuronowo-rozmyty w zastosowaniu do badań deformacji konstrukcji
Mrówczyńska M., Gil J.
Czasopismo Techniczne. Środowisko
|
2008
|
R. 105, z. 2-Ś
215-221
PL
Dynamiczny rozwój dziedziny przetwarzania informacji jako jednego z zasadniczych elementów technologii geodezyjnej wzbogaca klasyczne algorytmy obliczeń numerycznych. W kontekście modelowania procesów pojawia się przetwarzanie informacji opartej na zbiorach rozmytych i przybliżonym wnioskowaniu. W artykule przedstawiono możliwość zastosowania systemu neuronowo-rozmytego z regułą Larsena do wyznaczenia deformacji osi geometrycznej komina stalowego w procesie eksploatacji.
EN
The dynamic development of information processing, which is one of the vital elements in the geodetical technology, enriches the classical algorithms of numerical calculations. The information processing, based on both the fuzzy sets and the approximate interference, occurs while modeling the processes. The paper presents the possibility of applying a neuro-fuzzy system with Larsen's rule for determining the deformation of a geometrical axis of the steel chimney in the process of its exploitation.
6
Content available remote Identification of fracture parameters for dense concrete by means of neuro-fuzzy system ANFIS
Rawicki Z., Obiała R., Waszczyszyn Z.
Archives of Civil Engineering
|
2001
|
Vol. 47, nr 4
445-461
EN
The Adaptive Neuro-Fuzzy Inference System (ANFIS) is applied to identification of relationship between the values of water-cement ratio (W/C) and the parameters of fracture mechanics according to Mode II of dense concrete (K IIc, J IIc). Regular division of input space and "bell" membership function were adopted in the system. The results were compared with the polynomial approximation.
PL
Adaptacyjny neuronowo-rozmyty system wnioskowania (ANFIS) został zastosowany do identyfikacji zależności pomiędzy wartościami stosunku wodno-cementowego (W/C) a parametrami mechaniki pękania według II modelu betonów ciężkich (KIIc, JIIc). W systemie wykorzystano podział regularny przestrzeni wejściowej i dzwonowe funkcje przynależności. Wyniki zostały porównane z aproksymacją wielomianową.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.