به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

fuzzy regression

در نشریات گروه ریاضی
تکرار جستجوی کلیدواژه fuzzy regression در نشریات گروه علوم پایه
  • زهرا بهدانی*، مجید دره میرکی
    تحلیل رگرسیون آماری روشی شناخته شده برای فرمول بندی رابطه بین متغیر پاسخ (خروجی) و برخی از متغیرهای توضیحی (ورودی) با استفاده از مجموعه مشاهدات بر اساس فرض توزیع های نرمال است. رگرسیون خطی فازی اساسی ترین روش در حوزه مدل سازی فازی است که در آن رابطه نامشخص بین متغیرهای هدف و توضیحی تخمین زده می شود و به طور مکرر در طیف گسترده ای از کاربردهای دنیای واقعی به طور موثر مورد استفاده قرار گرفته است. در این مقاله ما مدل رگرسیون فازی با ضرایب اعداد فازی نوتروسوفیک را مورد بررسی قرار می دهیم برای این کار ابتدا تعمیمی از اندازه فاصله دیاموند را برای این اعداد می نویسیم و سپس به کمک روش کمترین توان دوم پارامترهای مدل را که اعداد فازی مثلثی نوتروسوفیک هستند را برآورد می نماییم و در نهایت با ذکر یک مثال، کاربردی از مدل ارائه شده را بیان می کنیم.
    کلید واژگان: رگرسیون فازی، نوتروسوفیک، اندازه فاصله، اعداد مثلثی
    Zahra Behdani *, Majid Darehmiraki
    Statistical regression analysis is a well-known method for formulating the relationship between the response variable (output) and some explanatory variables (input) using a set of observations based on the assumption of normal distributions. Fuzzy linear regression is the most fundamental method in the field of fuzzy modeling in which the uncertain relationship between target and explanatory variables is estimated, and it has been effectively used repeatedly in a wide variety of real-world applications. In this article, we examine the fuzzy regression model with the coefficients of Neutrosophic fuzzy numbers. For this, we first write a generalization of the measure of the Diamond distance for these numbers, and then estimate the parameters of the model, which are Neutrosophic triangular fuzzy numbers, using the least square method. We show and finally by citing an example, we express the application of the presented model.
    Keywords: Fuzzy Regression, Neutrosophic, Distance Measure, Triangular Numbers
  • اعظم مقدم، محسن عارفی*، محمدقاسم اکبری

    در این مقاله، رویکردی برای برازش مدل رگرسیون خطی بر اساس بردارهای پشتیبان، زمانی که متغیر پاسخ، پارامترهای مدل و خطاها به صورت اعداد فازی باشند، ارایه شده است. در این روش، تابع هدف بر اساس مجموع قدرمطلق فواصل بین ابرصفحه های حاشیه ای غیرموازی بنا شده است. مدل ارایه شده نسبت به وجود داده های پرت از استواری مناسبی برخوردار است. مدل پیشنهادی بر اساس سه معیار نیکویی برازش با برخی مدل های دیگر مورد مقایسه قرار گرفته است.

    کلید واژگان: بردار پشتیبان، رگرسیون فازی، خطای فازی، روش قدرمطلق خطا
    Azam Moghadam, Mohsen Arefi *, M. Gh. Akbari

    In this article, an approach for fitting a fuzzy linear regression model based on support vectors is presentedwhen the response variable, model parameters and errors are considered as fuzzy numbers.In this method, the objective function is based on the sum of the absolute values ​​of the distances of the hypothetical points to the non-parallel border hyperplanes. The presented model has good robustness to the presence of outlier data. The proposed model has been compared with some other models based on three goodness of fit indices.

    Keywords: Support Vector, Fuzzy Regression, Fuzzy error, Absolute errors method
  • Besma Belhadj *
    Under the additional assumption that the errors are normally distributed, the Ordinary Least Squares (OLS) method is the maximum likelihood estimator. In this paper, we propose, for a simple regression, an estimation method alternative to the OLS method based on a so-called Gaussian membership function, one that checks the validity of the verbal explanation suggested by the observer. The fuzzy estimation approach demonstrated here is based on a suitable framework for a natural behavior observed in nature. An application based on a group of MENA countries in 2015 is presented to estimate the employment poverty relationship.Under the additional assumption that the errors are normally distributed, the ordinary least squares method is the maximum likelihood estimator. In this paper, we propose, for a simple regression, an estimation method alternative to the ordinary least squares method based on a so-called Gaussian membership function, one that checks the validity of the verbal explanation suggested by the observer. The fuzzy estimation approach demonstrated here is based on a suitable framework for a natural behavior observed in nature. An application based on a group of MENA countries in 2015 is presented to estimate the Employment Poverty relationship.
    Keywords: Mathematical Modeling, Fuzzy Regression, Gaussian fuzzy responses, Gaussian Membership Function
  • مریم ضیاآبادی*، سلیمه قنبری
    در دهه های اخیر موضوع تقاضای انرژی و عوامل موثر بر آن به موضوع بسیار بحث برانگیزی تبدیل شده است. بررسی مصرف انرژی در کسب و کارهای کشاورزی ایران نشان می دهد که طی سال های گذشته همراه با افزایش تولید و افزایش ضریب مکانیزاسیون، مصرف انواع حامل های انرژی از جمله برق افزایش یافته است. در مطالعات متعددی با استفاده از روش های اقتصاد سنجی عوامل موثر بر مصرف برق در بخش کشاورزی مورد بررسی قرار گرفته است. اما با توجه به محدودیت های روش های رگرسیون کلاسیک، در این مطالعه از روش فازی برای بررسی اثر شاخص تنوع صادراتی و توسعه مالی بر مصرف برق کسب و کارهای کشاورزی طی دوره 1398-1349 استفاده شده است. کاربرد رگرسیون فازی به دلیل انعطاف پذیری این مدل و عدم وجود فروض محدود کننده روش های رگرسیون کلاسیک می باشد. نتایج پژوهش نشان دهنده آن است که متغیر تولید بخش کشاورزی بیشترین تاثیر بر مصرف برق را در این بخش داشته است. همچنین متغیرهای شاخص تنوع صادراتی و توسعه مالی در کران بالا و پایین تاثیر مثبت و معنادار بر افزایش مصرف برق در بخش کشاورزی داشتند. بنابراین شناسایی متغیرهای موثر بر تقاضای برق کشاورزی و بررسی میزان تاثیر آ ن ها بر مصرف برق، می تواند در جهت اتخاذ تصمیمات و سیاست های مناسب بهینه سازی مصرف انرژی با هدف توسعه اقتصادی و رشد تولید کسب و کارهای کشاورزی مورد استفاده قرار گیرد.
    کلید واژگان: رگرسیون فازی، انرژی برق، کسب و کارهای کشاورزی، ایران
    In recent decades, the issue of energy demand and the factors affecting it has become a very controversial. A Survey of energy consumption in Iranian agricultural businesses shows that in recent years, along with increasing production and increasing the mechanization coefficient, the consumption of various energy carriers, including electricity, has increased. In several studies the factors affecting electricity consumption in the agricultural sector have been studied, using econometric methods. However, due to the limitations of classical regression methods, in this study the fuzzy method has been used to investigate the effect of export diversity index and financial development on electricity consumption of agricultural businesses during the period 1970-2019. The application of fuzzy regression has been due to the flexibility of this model and the lack of assumptions limiting classical regression methods. The results show that the variable of agricultural production has the greatest impact on electricity consumption in this sector. Also, the variables of export diversity index and financial development in the upper and lower bounds had a positive and significant effect on increasing electricity consumption in the agricultural sector. Therefore, identifying the variables affecting agricultural electricity demand and examining the extent of their impact on electricity consumption, it can be used to make appropriate decisions and policies to optimize energy consumption with the aim of economic development and production growth of agricultural businesses.
    Keywords: Fuzzy Regression, electricity, Agricultural businesses, Iran
  • جلال چاچی*، احمد کاظمی فرد، حامد فهیمی
    امروزه مدل های متنوعی با روش های برآوردیابی مختلف در مدلسازی داده ها، معرفی و بکار برده می شوند. تناسب هر یک از روش های برآوردیابی مدل های آماری در برازش مجموعه ای از داده ها مبتنی بر یک معیار نیکویی برازش خاص (یا تابع هدفی خاص) است. همچنین، شاخص نیکویی برازش هر مدل آماری (از جمله مدل های رگرسیونی کلاسیک و یا فازی) متناسب با منطق طراحی آن مدل تعریف و فرمول بندی می شود. لذا استفاده و بکارگیری صرفا یک معیار جهت مقایسه نیکویی برازش مجموعه متنوعی از مدل های آماری باعث تصمیم گیری های اریب و جهت دار می شود. در واقع چنین فرآیندی منتج به اولویت بخشی به مدل یا مدل هایی می شود که یا توابع هدفی یکسان با معیار ارزیابی دارند و یا توابع هدف آنها از لحاظ ساختاری متناسب با همان معیار ارزیابی است. لذا رویکرد تک معیاره برای ارزیابی نیکویی برازش مدل ها، امکان مقایسه مطلوب و منصفانه آنها که بسیار چالش برانگیز است را سلب می کند. هدف اصلی ما در این مقاله، ارایه و پیشنهاد چارچوبی مناسب در قالب رهیافت تصمیم گیری های چند معیاره به منظور حل و فصل این چالش است. در این رهیافت به روش های متنوعی امکان انبوهش مجموعه ای گسترده از معیارهای ارزیابی به منظور تولید یک معیار ارزیابی تعمیم یافته جهت تشخیص مدل بهینه فراهم می شود.در انتها رویکرد پیشنهادی به منظور رتبه بندی ارزیابی نیکویی برازش 22 مدل رگرسیون فازی مختلف بکار برده شده است.
    کلید واژگان: مدل های آماری، تصمیم گیری های چند معیاره، انبوهش، مدل های رگرسیون فازی، نیکویی برازش
    Jalal Chachi *, Ahmad Kazemifard, Hamed Fahimi
    Today, various models with different estimation methods are introduced and used in data modeling. The appropriateness of each method of estimating statistical models in the fit of a dataset is based on a specific goodness-of-fit criterion (or a specific objective function). Also, the goodness-of-fit index of any statistical model (including classical or fuzzy regression models) is defined and formulated according to the structure of that model. Therefore, using and applying only one criterion to compare the goodness-of-fit of a diverse set of statistical models leads to oblique/biased and directional decisions. In fact, such a process leads to prioritization of the models that their objective functions are the same as the evaluation criterion and/or their objective functions are structurally proportional to the evaluation criteria. Therefore, considering only one-criterion to evaluate the goodness-of-fit of the models deprives them of the possibility of a fair and equitable comparison, which is very challenging. Our main goal in this paper is to provide and propose an appropriate framework in the context of multi-criteria decision making to overcome the challenge. In this method, it is possible to aggregate a wide range of evaluation criteria from different point of views to generate a generalized evaluation criterion in order to identify the optimal model.Finally, the proposed approach is employed to rank the fit of 22 different fuzzy regression models.
    Keywords: Statistical models, multi criteria decision making (MCDM), Aggregate, Fuzzy Regression, goodness-of-fit
  • J. Chachi *, A. Kazemifard, M. Jalalvand

    Most of the fuzzy regression approaches proposed in the literature adopted a single objective function in the generation of fuzzy regression models.These approaches mostly being criticized by their weak performances analysis and their sensitivity to outliers.Therefore, this paper develops a new multi-objective two-stage optimization and decision technique for fuzzy regression modeling problems in order to handle both of the criticisms.To handle the outlier problems, in the first stage, dynamic robust to outlier objective functions is considered in the estimation problem.The estimation problem is solved by running an algorithm which generates a set of fuzzy regression models.Then, in the next stage, we design a decision schema by employing Multi-Attribute Decision Making (MADM) problem.Here, the VIKOR method is employed as a proper means to provide a design to rank the generated fuzzy regression models by the first stage to introduce the most desirable model.We include simulation numerical results and a real-world house price problem in order to highlight the advantages of the proposed method in a comparison study.The results demonstrate the effectiveness of the proposed multi-objective optimization method to handle outlier detection problem while the prediction accuracy of the model is improved.

    Keywords: Fuzzy regression, Robust estimation, Multi-Attribute Decision Making (MADM), VIKOR, Outlier analysis
  • محمدحسین کشاورز، محمدرضا فیلی ز اده*، ایاد هندالیانپور

    این پژوهش، با هدف ارایه یک مدل پیش بینی شاخص کل بورس اوراق بهادار تهران با سیستم استنتاج فازی عصبی تطبیقی (ANFIS) و رگرسیون فازی صورت گرفته است. رفتار شاخص غیرخطی و آشوب گونه است که روش های سنتی جوابگوی پیش بینی دقیق نیست. از این رو، با استفاده از دو ابزار فوق الذکر و با شناسایی سه متغیر کلان اقتصادی شامل نرخ تورم، نرخ ارز و قیمت نفت خام به عنوان متغیرهای مستقل، اقدام به پیش بینی عدد شاخص کل بورس برای یک هفته بعد گردید. ابتدا داده های روزانه سالهای 1387 الی 1394 متغیرهای پژوهش جمع آوری و ذخیره و با استفاده از نرمال سازی فازی، نرمال گردید. سپس مدل سازی با استفاده از سه متغیر فوق الذکر صورت پذیرفت و با مقایسه نتایج، عملکرد بهتر ANFIS نسبت به رگرسیون فازی مشاهده گردید. معیار سنجش عملکرد، ریشه دوم میانگین مربعات خطا بود که برای خروجی ANFIS ، مقدار 021248/0 حاصل شد. حاصل پیش بینی یک هفته بعد، برای هر دو ابزار کاهش خطا را نشان داد و مجددا ANFIS با مقدار 007933/0 برای خطا، عملکرد برتر این پژوهش را به خود اختصاص داد و مدل با چهار ورودی نسبت به مدل با سه ورودی دقت بیشتری از خود نشان داد. تاکید بر استفاده از متغیرهای کلان اقتصادی، پیش بینی یک هفته آینده عدد شاخص، استفاده از دو ابزار ذکر شده، آنالیز حساسیت مدل ها در حین تحقیق از ویژگی های این پژوهش است. این پژوهش می تواند مورد استفاده کلیه شرکت های حاضر در بورس، سرمایه گذاران، کارگزاری ها و افراد حقیقی و حقوقی که به هر نحوی با بورس اوراق بهادار سروکار دارند، واقع گردد.

    کلید واژگان: پیش بینی، شاخص کل بورس تهران، ANFIS، رگرسیون فازی
    MohammadHossein Keshavarz, MohammadReza Feylizadeh *, Ayad Hendalianpour

    The purpose of this study is to provide a prediction model for the Tehran Stock Exchange Index using Adaptive Neuro-Fuzzy Inference System (ANFIS) and fuzzy regression analysis. The behavior of this index is nonlinear and chaotic that traditional methods do not predict accurately. Hence, using the above two tools and identifying three macroeconomic variables including inflation rate, exchange rate and crude oil price as independent variables, we predicted the index of the total stock index for the next week. Then, the modeling was performed using the above three variables. By comparing the results, ANFIS performance was better than fuzzy regression. The Root Mean Square Error Performance criterion was obtained for the ANFIS output of 0.021248. The prediction of the next week showed an error reduction for both tools and ANFIS again with an error value of 0.007933, yielded superior performance of the study. Also, the model with four inputs was more accurate compared to the model with three inputs. The emphasis on using macroeconomic variables, predicting the next week's index number, using the two tools mentioned, analyzing the sensitivity of the models during the research are the characteristics of this research. This research can be used by all companies in the stock exchange, investors, brokers, and individuals and legal entities dealing in any way with the stock market.

    Keywords: Predicting, Tehran Stock Exchange Index, ANFIS, Fuzzy Regression
  • جلال چاچی، مهدی روزبه
    روش های برآوردیابی پارامترهای مدل های رگرسیون فازی کمترین مربعات خطا حساسیت (بسیار) زیادی نسبت به داده های پرت دارند. اغلب روش های موجود برآوردیابی پارامترهای این مدل ها با رویکرد کمترین مربعات خطا، تحت تاثیر داده های پرت، برآوردهایی نامناسب، دور از انتظار و با خطای زیاد ارائه می دهند. لذا در این مطالعه یک مدل رگرسیون فازی استوار کمترین مربعات پیراسته برای مدل سازی متغیرهای ورودی حقیقی-مقدار و متغیر خروجی فازی-مقدار معرفی خواهد شد. در این رویکرد، تابع هدف در برآوردیابی پارامترهای مدل به گونه ای ساختاربندی می شود که مجموع تا از کوچک ترین توان دوم باقیمانده های مرتب شده کمینه شوند. این روش دارای الگوریتمی است که با جستجو در مجموعه مشاهدات به برآورد بهترین پارامترهای مدل بر اساس ترکیب های مختلف انتخاب مشاهده خوب از مجموعه تایی مشاهدات، می پردازد. این موضوع باعث کاهش تاثیر مشاهدات پرت در فرآیند برآوردیابی پارامترهای مدل می شود. در انتها کاربرد روش پیشنهادی این مقاله در مدل سازی داده های واقعی در مهندسی آب (آب شناسی) که اغلب شامل مشاهدات پرت هستند، موردبررسی و مطالعه قرار می گیرد. ازاین رو، در این مطالعه به مقایسه بین روش پیشنهاد شده در این مقاله و روش متداول رگرسیون کمترین مربعات فازی که در آن مشاهدات پرت و مشاهدات خوب تاثیر یکسانی در برآوردیابی پارامترهای مدل دارند، پرداخته می شود. نتایج تجربی این مطالعه کاربردی برتری برازش بهتر روش پیشنهادی بر این داده ها را در مقایسه با روش متداول رگرسیون فازی کمترین مربعات خطا نشان می دهد. همچنین روش پیشنهاد شده در این مقاله مشاهدات پرتی را که تاثیر نامطلوبی در برآوردیابی پارامترها داشته اند را مشخص نموده است.
    کلید واژگان: رگرسیون فازی، رگرسیون کمترین مربعات پیراسته، داده پرت، دبی معلق
    Jalal Chachi, Mahdi Roozbeh
    Estimation methods of parameters of fuzzy least-squares regression have very sensitivity to unusual data (e.g. outliers). In the presence of outliers, most of the existing estimation methods of parameters of this kind of models using least-squares approach provide unexpected and unreliable estimators with amounts of errors. Therefore, in this paper a robust least trimmed squares fuzzy regression model is described for modeling for crisp input-fuzzy output variables. In this approach, the constructed target function in model parameter estimation problem in such a way which minimizes the sum of the smallest squared residuals. This method has an algorithm that estimates the optimal values of the parameters based on different selected combinations of good observations of the data set of size . Therefore, this method has the ability of reducing the effects of such a data in estimation of the parameters of the model. Finally, the investigated fuzzy regression model is applied and studied to modeling real-world data set in hydrology which sometimes contains outlier points. In this regard, a comparison study between the proposed method and ordinary least squares fuzzy regression method is considered. The comparison results of the applied study reveal that for this particular data set the proposed method performs better fitting than the well-known ordinary fuzzy least-squares regression model. Also the proposed method identified the points that have bad effect on estimation problem of the parameters.
    Keywords: Fuzzy regression, Least trimmed squares regression, Outlier, Debi, Suspended load
  • صدیقه دانش، رحمان فرنوش، طاهره رزاق نیا
    تحلیل رگرسیون فازی یکی از پرکاربردترین تکنیک های آماری می باشد که رابطه بین متغیرها را نشان می دهد. در این بررسی رگرسیون فازی با ورودی غیر فازی و خروجی فازی در نظر گرفته می شود. برای پیش بینی مدل رگرسیون فازی، یک الگوریتم هیبریدی بر پایه برنامه ریزی خطی و وزن های فازی، در مواردی که تعداد داده ها کم بوده و یا با رگرسیون ناپارامتری فازی سروکار داشته و شکل تابعی آن مشخص نمی باشد، طراحی می شود. در این برنامه ریزی خطی، تابع هدف، پهنای خروجی ها را کمینه می کند. با استفاده از مثالهای عددی، عملکرد این روش با روش های دیگر مانند برنامه ریزی خطی و برنامه ریزی مربعی مقایسه می شود. در این مقاله، با استفاده از مثالها نشان داده می شود که روش هیبریدی در مقایسه با روش های دیگر دقت پیش بینی بیشتری دارد.
    کلید واژگان: رگرسیون فازی، برنامه ریزی خطی، برنامه ریزی مربعی، شبکه عصبی فازی تطبیقی
    Sedigheh Danesh, Rahman Frnoosh, Tahereh Razzaghnia
    Fuzzy regression represents the relation between variables. Fuzzy regression analysis is one of the most widely used statistical techniques. In this study, fuzzy regression is considered with the crisp input and the fuzzy output. A hybrid algorithm based on fuzzy weights and linear programming is designed for the fuzzy nonparametric regression model prediction that function form is assumed unknown and in cases low data. In proposed method, the objective function minimizes the spread of outputs. Finally, the performance of the suggested method is compared with linear programming (LP) and quadratic programming (QP) methods using the numerical examples. The results demonstrate that the proposed method has more accurate than the LP and QP methods. Also, it is verified in cases of low data.
    Keywords: fuzzy regression, linear programming, quadratic programming, adaptive neuro fuzzy inference system
  • Jalal Chachi *, S. Mahmoud Taheri
    A novel approach to the problem of regression modeling for fuzzy input-output data is introduced.
    In order to estimate the parameters of the model, a distance on the space of interval-valued quantities is employed.
    By minimizing the sum of squared errors, a class of regression models is derived based on the interval-valued data obtained from the $alpha$-level sets of fuzzy input-output data.
    Then, by integrating the obtained parameters of the interval-valued regression models, the optimal values of parameters for the main fuzzy regression model are estimated.
    Numerical examples and comparison studies are given to clarify the proposed procedure, and to show the performance of the proposed procedure with respect to some common methods.
    Keywords: Fuzzy regression, Interval, valued regression, Least squares method, $LR$, Fuzzy number, Multiple regression, Predictive ability
  • Alireza Arabpour *, Marzei Amini
    A weighted linear regression model with impercise response and p-real explanatory variables is analyzed. The LR fuzzy random variable is introduced and a metric is suggested for coping with this kind of variables. A least square solution for estimating the parameters of the model is derived. The result are illustrated by the means of some case studies.
    Keywords: Fuzzy Regression, Least Squares, Estimate, Imprecise Response
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال