جستجوی مقالات مرتبط با کلیدواژه
fuzzy regression
در نشریات گروه فنی و مهندسی-
This paper presents a new method for regression model prediction in an uncertain environment. In practical engineering problems, in order to develop regression or ANN model for making predictions, the average of set of repeated observed values are introduced to the model as an input variable. Therefore, the estimated response of the process is also the average of a set of output values where the variation around the mean is not determinate. However, to provide unbiased and precise estimations, the predictions are required to be correct on average and the spread of date be specified. To address this issue, we proposed a method based on the fuzzy inference system, and genetic and linear programming algorithms. We consider the crisp inputs and the symmetrical triangular fuzzy output. The proposed algorithm is applied to fit the fuzzy regression model. In addition, we apply a simulation example and a practical example in the field of machining process to assess the performance of the proposed method in dealing with practical problems in which the output variables have the nature of uncertainty and impression. Finally, we compare the performance of the suggested method with other methods. Based on the examples, the proposed method is verified for prediction. The results show that the proposed method reduces the error values to a minimum level and is more accurate than the Linear Programming (LP) and fuzzy weights with linear programming (FWLP) methods.
Keywords: Fuzzy regression, linear programming, Machining process, Adaptive Neuro-Fuzzy Inference System, Genetic Algorithm -
ب شبکه های عصبی مصنوعی ابزارهای پیش بینی دقیقی برای دامنه وسیعی از مسائل هستند که نیاز به داده های زیاد برای حصول نتایج دقیق، کاربرد آن ها را با محدودیت مواجه کرده است. این درحالی است که فراهم آوردن داده های مورد نیاز به منظور ارائه پیش بینی های دقیق با شبکه عصبی مصنوعی در صنعت نساجی، اصولا بسیار هزینه بر و زمان بر است. از این رو، استفاده از روش هایی که قادر به ارائه پیش بینی با تعداد داده های قابل حصول کم هستند، در این گونه از صنایع مناسب تر و کارآمدتر خواهد بود. در این مقاله، از ترکیب روش های شبکه های عصبی مصنوعی و رگرسیون فازی به ارائه یک مدل هوشمند نرم به منظور پیش بینی کیفیت درز پوشاک تولیدی پرداخته شده است. ایده اصلی روش پیشنهادی استفاده از مزایای محاسبات نرم مجموعه های فازی به منظور حصول نشخه ای بهبودیافته از شبکه های عصبی مصنوعی در شرایط داده های قابل حصول کم است. نتایج بدست آمده از بکارگیری روش پیشنهادی در پیش بینی کیفیت درز پوشاک، بیانگر عملکرد بالاتر این روش درتقابل با مدل های تشکیل دهنده خود و همچنین سایر روش های ترکیبی موجود است.کلید واژگان: شبکه های عصبی پرسپترون چندلایه (MLPNN)، رگرسیون فازی، مدل های ترکیبی، صنعت نساجی، پیش بینی کیفیت درز پوشاکFor training the artifcial neural network to accurately predict a specifc parameter, several experimental results argenerally needed which makes it costly and time-consuming. Hence, there is a need for developing other methodthat can accurately predict based on a small number of experimental data. In this paper, a combination of artifcineural network and fuzzy regression methods was employed to develop a soft intelligent model for predicting thquality of seams in garments. The main idea of the proposed method is to simultaneously use the advantages of socomputing of fuzzy sets to achieve improved results from artifcial neural networks based on a relatively small experimental dataset. The results obtained from the proposed model showed its higher performance in comparison tits constituent models as well as other existing combinational methods.Keywords: Multilayer Perceptron Neural Networks, Fuzzy Regression, Hybrid models, textile industry, Predict quality of clothing seam
-
قیمت گذاری کالاها و خدمات تولیدی توسط دولت از مهم ترین مباحث اقتصادی است چون هر نوع تغییر قیمت از یک طرف بر رفاه مصرف کنندگان تاثیر می گذارد و از طرف دیگر کمیت و کیفیت تولید کالاها و خدمات را متاثر می سازد.
در این مقاله که با هدف قیمت گذاری گاز برای ایران انجام گرفته است هدف ارائه قیمتی است که دولت در اجرای طرح هدفمند کردن یارانه ها می تواند آن را به صورت گزینه ای مناسب در نظر بگیرد که اولا سعی در حداکثر کردن رفاه اقتصادی جامعه (مجموع مازاد رفاه تولید کننده و مازاد مصرف کننده) دارد، ثانیا مشکلی که تولید کننده در تامین هزینه های تولیدی خود با استفاده از روش قیمت گذاری هزینه نهایی به دلیل بازدهی های فزاینده نسبت به مقیاس در این صنعت مواجه است در این روش قیمت گذاری رفع می گردد.
این مقاله درصدد محاسبه قیمت بهینه گاز طبیعی برای بخش صنعت در ایران از طریق روش قیمتگذاری رمزی میباشد. بدین منظور از روش رگرسیون فازی (به دلیل دقت بالا و نداشتن برخی محدودیت های رگرسیون کلاسیک) و داده های سال های 1356 تا 1390 برای تخمین تابع تولید و بازدهی نسبت به مقیاس استفاده شده است. همچنین برای تخمین تابع تقاضا و کشش آن از روش ARDL و داده های سال های 1350 تا 1389 استفاده شده است. نتایج حاکی از آن است که قیمت های جاری گاز طبیعی بهینه نمی باشند و با وجود اجرای طرح هدفمند کردن یارانه ها باز هم قیمت ها پایین می باشند.کلید واژگان: قیمت گذاری رمزی، انحصار طبیعی، صرفه های ناشی از مقیاس، رگرسیون فازی، روش ARDLPublic pricing of products is one of the most important economical issues, since any changes in the pricing, affects both the welfare of consumers and quantity of goods and Services which are produced.
In this paper which is done for natural gas pricing in Iran, the purpose is giving a price that the government can consider it as a suitable choice for using in subsidies targeting project. These prices have two advantages: first, they try to maximum the social economical welfare (summation of producer and consumer surplus) second, this method solve the problem that the producer has in covering their costs (by marginal cost pricing) because of increasing returns to scale.
This paper deals with the optimal gas pricing in industrial sector in Iran by the Ramsey method of pricing. In this regard we have used fuzzy regression (because of its accuracy and devoid of classic regression restrictions) and the data from 1356 to 1390 for estimating production function and returns to scale in natural gas production side. Also for estimating demand function and elasticity we have used ARDL method and data from 1350 to 1389. The results shows that the current prices arent optimum and despite implementation of subsidies targeting project the prices are low.Keywords: Ramsey pricing, Natural monopoly, Economy of scale, Fuzzy regression, ARDL method -
In this paper, a new approach of modeling for Artificial Neural Networks (ANNs) models based on the concepts of fuzzy regression is proposed. For this purpose, we reformulated ANN model as a fuzzy nonlinear regression model while it has advantages of both fuzzy regression and ANN models. Hence, it can be applied to uncertain, ambiguous, or complex environments due to its flexibility for forecasting purposes.Keywords: Artificial Neural Networks, Fuzzy Regression, Modelling, Forecasting
-
روش های هوش محاسباتی، همچون شبکه های عصبی مصنوعی و منطق فازی، به عنوان ابزاری محبوب به منظور پیش بینی بازارهای پیچیده ی مالی معرفی شده اند. دقت پیش بینی ها ازجمله مهم ترین مشخصه های مدل های پیش بینی است و تلاش برای بهبود بخشیدن کارایی مدل های سری های زمانی هرگز متوقف نشده است. امروزه علی رغم روش های متعدد پیش بینی سری های زمانی که در چند دهه ی اخیر پیشنهاد شده اند، هنوز پیش بینی نرخ های ارز، کار بسیار دشواری محسوب می شود. در این مطالعه، مدل ترکیبی جدیدی از شبکه های عصبی مصنوعی براساس مفاهیم پایه یی منطق و مجموعه های فازی، به منظور حصول نتایج دقیق تر در موقعیت هایی با دوره های کوتاه تری از زمان ارائه شده است. نتایج حاصله در پیش بینی نرخ ارز بیانگر کارآیی روش مذکور در پیش بینی نرخ ارز نسبت به مدل های تشکیل دهنده ی خود است.
کلید واژگان: شبکه های عصبی مصنوعی، رگرسیون فازی، مدل های ترکیبی، پیش بینی سری های زمانی، نرخ ارزTime series forecasting is an active research area that has drawn considerable attention for applications in a variety of areas. With the time series approach to forecasting, historical observations of the same variable are analyzed to develop a model describing the underlying relationship. Then, the established model is used in order to extrapolate the time series into the future. Improving forecasting, especially accurate time series forecasting, is an important yet often dicult task facing decision makers in many areas. Computational intelligence approaches, such as arti cial neural networks (ANNs) and fuzzy logic, have gradually established themselves as popular tools for forecasting complicated nancial markets. Fuzzy is one of the most important soft computing tools, which can provide a powerful framework in order to cope with vague or ambiguous problems, and can express linguistic values and human subjective judgments of natural language. Arti cial neural networks are exible computing frameworks and universal approximators that can be applied to a wide range of forecasting problems with a high degree of accuracy. The major advantage of neural networks is their exible nonlinear modeling capability. With ANNs, there is no need to specify a particular model form. Rather, the model is adaptively formed based on the features presented in the data. This datadriven approach is suitable for many empirical data sets, where no theoretical guidance is available to suggest an appropriate data generating process. Despite the advantages cited for them, ANNs have weaknesses, one of the most important of which is their requirement of large amounts of data in order to yield accurate results. Both theoretical and empirical ndings have indicated that integration of di erent models can be an e ective way of improving upon their predictive performance and also overcoming the limitations of single models, especially when the models in combination are quite di erent. In this paper, a new hybrid model of arti cial neural networks is proposed based on the basic concepts of fuzzy logic, in order to overcome the data restriction of neural networks and yield more accurate results than traditional ANNs in situations of short time spans. In the proposed model, instead of using crisp parameters in each layer, fuzzy parameters in the form of triangular fuzzy numbers are applied for related parameters of these layers. In this way, the proposed model can search the feasible spaces easily and more eciently for nding the optimum values of parameters. The empirical results of exchange rate forecasting indicate that the hybrid model is more satisfactory than its components, i.e, arti cial neural networks and fuzzy regression models.Keywords: Artificial neural networks (anns), fuzzy regression, time series forecasting, combined forecasts, exchange rate -
انتشار گازهای گلخانه ای از عوامل اصلی تغییر اقلیم محسوب می شوند. بررسی ابعاد اقتصادی انتشار گازهای گلخانه ای و آثار محیط زیستی آن، بویژه در شرایط کنونی که حجم گازهای گلخانه ای با روند صعودی در حال افزایش است، اهمیت فراوانی دارد. در این مقاله، رابطه انتشار مهمترین گاز گلخانه ای یعنی دی اکسید کربن و تولید ناخالص داخلی سرانه و مصرف انرژی ایران طی سال های 1370 تا 1387 با استفاده از منحنی محیط زیستی کوزنتس مورد بررسی قرار گرفته است. با توجه به این نکته که در این مطالعه نحوه ارتباط بین متغیرهای مستقل و وابسته دارای ابهام می باشد، از مدل رگرسیون فازی برای تخمین نوع ارتباط استفاده شده است، زیرا رگرسیون فازی بازه ای از مقادیر ممکن را برای متغیر خروجی تخمین می زند در حالی که رگرسیون کلاسیک تنها یک مقدار مشخص برای متغیر خروجی محاسبه می کند. نتایج بدست آمده از مدل رگرسیون فازی، حاکی از وجود یک الگوی کوزنتس ناقص در ایران است. بنابر نتایج بدست آمده، حداکثر میزان انتشار گاز دی اکسید کربن در سال 1387 معادل 269000 کیلوتن و حداقل میزان انتشار آن 204000 کیلوتن می باشد. آگاهی از حدود انتشار گاز دی اکسید کربن می تواند در سیاست های کلی و کلان مدیریت انتشار گازهای گلخانه ای، رهنمون های مفیدی ارائه دهد.
Greenhouse gas emissions are considered as the main cause of climate change. Investigation of economic dimensions of greenhouse gas emissions and its environmental effects especially in a situation where the volume of greenhouse gas increasingly is rising is very important. In this paper، the relationship between greenhouse gas emissions i. e. carbon dioxide and GDP per capita and energy consumption in Iran during the years 1370 to 1387 using the Environmental Kuznets Curve has been studied. Due to the fact that in this study the relationship between the dependent and independent variables is equivocal Fuzzy regression models were used to estimate this relationship. Fuzzy regression estimates an interval of possible values for the output variable while the classical regression calculates a value for the output variable. Results from the fuzzy regression model show an incomplete Kuznets model in Iran. The results of the maximum and minimum amount of carbon dioxide emissions in 1387 are approximately 269،000 and 204000 kt respectively. Knowledge about the relationship between energy consumption and carbon dioxide emissions can be substantial in the overall energy sector planning policies، provide useful guidance.Keywords: GDP per capita, the volume of carbon dioxide, Environmental Kuznets Curve, Fuzzy regression -
در این مقاله، یک رویکرد جدید مدل سازی برای مدل های شبکه عصبی مصنوعی بر مبنای مفاهیم شبکه های عصبی و رگرسیون فازی ارائه شده است. به این منظور، مدل شبکه عصبی مصنوعی در قالب یک مدل رگرسیون غیرخطی فازی فرموله شده است، به نحوی که این مدل، مزایای هر دو مدل رگرسیون فازی و شبکه عصبی مصنوعی را دارد. بنابراین، این مدل به دلیل انعطاف پذیری بالا، قابلیت استفاده در شرایط نبود قطعیت، مبهم یا پیجیده را دارد. علاوه بر این، مطالعه موردی پیش بینی قیمت گاز مایع در بازار ژاپن (بزرگ ترین وارد کننده گاز طبیعی جهان) برای نشان دادن نحوه استفاده از این رویکرد ارائه شده است. نتایج به دست آمده نشان می دهد که قدرت پیش بینی مدل ارائه شده قابل قبول است. علاوه بر این، در شرایط غیرقطعی و پیچیده می تواند بر خلاف مدل های شبکه عصبی، اطلاعات شفافی از روابط موجود بین متغیرهای ورودی و پاسخ مدل به تصیم گیرنده ارائه دهد.
کلید واژگان: شبکه های عصبی مصنوعی، رگرسیون فازی، مدل سازی قیمت گاز طبیعیIn this paper، a new approach of modeling for Artificial Neural Networks (ANN) models based on the concepts of ANN and fuzzy regression is proposed. For this purpose، we reformulated ANN model as a fuzzy nonlinear regression model while it has advantages of both fuzzy regression and ANN models. Hence، it can be applied to uncertain، ambiguous، or complex environments due to its flexibility. In addition، the case study is brought in order to clearly show the way this approach could be utilized. The price of the liquid gas in Japan’s market (the world’s largest natural gas importer) is investigated based on the proposed approach. Based on the results، it is concluded that the performance of proposed model is acceptable; moreover، it can be deal with uncertain and complex environments as a clear box model.Keywords: Artificial neural networks (ANNs), Fuzzy regression, Modeling, Natural gas price -
با توجه به نقش حساس مجموعه اکسل، بالاخص کاسه چرخ خودرو، به دلیل مرتبط بودن آن با ایمنی سرنشینان، بررسی فرایند تولید و مونتاژ و نیز انجام آزمایش های کنترل کیفی حین این مراحل از اهمیت به سزایی برخوردار است. در این نوشتار با توجه به اهمیت بالای سه عامل اصلی قطر توپی قسمت کاسه نمد، قطر داخلی کاسه نمد و گشتاور مهره قفلی به عنوان متغیرهای مستقل، می کوشیم میزان گشتاور چرخشی کاسه چرخ خودرو را)تحت عنوان متغیر پاسخ اول(، به کمک مباحث مطرح در طراحی آزمایش ها و روش شناسی رویه ی پاسخ و لقی کاسه چرخ) تحت عنوان متغیر پاسخ دوم (به کمک روش رگرسیون فازی با کاربرد برآوردکننده های کم ترین انحراف مطلق بهینه کنیم. در نهایت جواب بهینه با استفاده از روش L P سنجی بررسی شده است.
کلید واژگان: طراحی آزمایش ها، رگرسیون فازی، روش شناسی رویه پاسخ، کنترل کیفیت، کاسه چرخ، مجموعه اکسل، متغیر پاسخConsidering the crucial function of the axle assy, especially the vehicle brake drum, due to its relevance to the safety of the passengers, studying the production and assembly processes and conducting quality control experiments during these stages is of great importance.In this study, two approaches are used to improve the vehicle brake drum assembling process. The first approach is named; response surface methodology (RSM). Response surface methodology is the most popular optimization method used in recent years. There is so much work, based on the application of RSM in chemical and biochemical process. The effects of process parameters for the vehicle brake drum assembling process were exploited using the; design of experiment (DOE). In this work, experiments are performed by a standard RSM design, called a central composite design (CCD). With regard to the great significance of three main factors, namely; seal-oil spindle diameter, seal-oil internal diameter, and nut lock torque, as independent variables, the present research attempts to optimize the rotatory torque of the automobile brake drum (as the first response variable) obtaining assistance from discussions regarding the design of experiments and the response surface methodology. The second approach is named; fuzzy regression. There is a likelihood that the greater the values of independent variables, the wider the width of the estimated dependent variables. This causes a decrease in the accuracy of the fuzzy regression model constructed by the least squares method. In this paper, we use the least absolute deviation estimators to construct the fuzzy regression model, and investigate the performance of the fuzzy regression models, with respect to a certain error measure. Simulation studies and examples show that this model produces less error than the fuzzy regression models studied by many authors, which use the least squares method when the data contains fuzzy outliers. Also this article attempts to optimize the unsteady of the automobile brake drum (as the second response variable) getting help from fuzzy regression using least absolute deviation estimators (FLAD).In the following parts, the amount of optimum effective factor has been calculated via the nonlinear programming model, using one of the multi-objective methods (LP - Metric).Keywords: design of experiment, fuzzy regression, response surface methodology, quality control, brake drum, axle assy, response variable -
شدت تبخیر تعرق بالقوه برای برنامه ریزی آبیاری مورد نیاز است که معمولا بر اساس روش هایی مبتنی بر داده های اقلیمی تخمین زده می شود. در حال حاضر روش پنمن-مانتیس یک روش قابل قبول برای تخمین تبخیر تعرق بالقوه است. بعضی از پارامترهای این روش را نمی توان بطور دقیق اندازه گیری نمود. در نتیجه با استفاده از پارامترهای اقلیمی تخمین زده می شوند. در این مقاله، کارایی روش رگرسیون فازی در تخمین تبخیر تعرق بالقوه روزانه (با گیاه مرجع چمن) و مقایسه آن با روش های شبکه های عصبی مصنوعی و پنمن- مانتیس مورد بررسی قرار گرفته است. برای این کار از اطلاعات اقلیمی و لایسیمتری 5 ساله ایستگاه هواشناسی اکباتان واقع در 10 کیلومتری شهر همدان استفاده شده است. پارامترهای مورد استفاده شامل دمای حداقل و حداکثر هوا، دمای متوسط هوا، رطوبت حداقل و حداکثر هوا، ساعات آفتابی و سرعت باد در مقیاس روزانه می باشد. تبخیر تعرق بالقوه بدست آمده از لایسیمتر موجود در آن ایستگاه، به عنوان خروجی هر روش در نظر گرفته شده است. روش رگرسیون فازی با پنج پارامتر ورودی شامل دمای حداقل و حداکثر هوا، رطوبت نسبی متوسط هوا، ساعات آفتابی و سرعت باد، دارای ضریب تعیین 88/0 و خطای RMSE 69/0 میلی متر در روز بود. در حالی که روش شبکه های عصبی مصنوعی دارای ضریب تعیین 84/0 و خطای RMSE 74/0 میلی متر در روز و روش پنمن-مانتیس دارای ضریب تعیین 84/0 و خطای 21/1 میلی متر در روز بود. بنابراین روش رگرسیون فازی بهترین روش جهت تخمین تبخیر تعرق بالقوه نتیجه گیری شد.
کلید واژگان: تبخیر، تعرق بالقوه، رگرسیون فازی، پنمن، مانتیسPotential evapotranspiration (ET0) rates are needed for irrigation scheduling. ET0 rates are commonly from weather parameters. The Penman-Monteith, is now accepted for computation of ET0. It requires several input parameters, some of which have no actual measurements but are estimated from measured weather parameters. In this study, the suitability of fuzzy regression was examined for estimating daily potential evapotranspiration with grass reference crop and compared with Artificial Neural Networks (ANN) and Penman-Monteith methods.The daily climatic data of the Ekbatan station in Hamadan, including maximum and minimum temperature, maximum and minimum relative humidity, wind speed and sunny hours are introduced as input data and ET0 as output data. ET0 values estimated from the fuzzy regression method were compared with direct ET0 measurements from lysimeters, and with ET0 estimations obtained using the Penman-Manteith equation and the ANN method. The estimated ET0 values from a fuzzy regression model using five input parameters, including maximum and minimum temperature, mean relative humidity, wind speed and sunny hours were obtained with RMSE=0.69mm/day, R2 =0.88. The estimated ET0 values from a artificial neural networks model using the same input parameters were obtained with RMSE=0.74mm/day, R2 =0.84. The estimated ET0 values from Penman-Monteith model were obtained with RMSE=1.21mm/day, R2 =0.84. Thus, in this study the fuzzy regression is the best method.Keywords: Evapotranspiration, Fuzzy regression, Penman, Monteith
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.
©2000-2025 magiran.com All Rights Reserved.