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 inference system (fis)

در نشریات گروه برق
تکرار جستجوی کلیدواژه fuzzy inference system (fis) در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه fuzzy inference system (fis) در مقالات مجلات علمی
  • سجاد حق زاد کلیدبری*
    الگوریتم های محاسباتی نرم مانند منطق فازی، شبکه های عصبی و الگوریتم های تکاملی به طور گسترده در بسیاری از زمینه ها استفاده می شوند. به ویژه منطق فازی، به دلیل توانایی قابل توجهی که در مدل سازی دارد، محبوبیت قابل توجهی به دست آورده است. تاکنون روش های مختلفی برای مدل سازی فازی ارائه شده است که هر یک از این روش ها مزایا و معایب خود را دارند. در حالی که اکثر روش ها تجزیه و تحلیل را از ورودی دارند ولی روش SY از بخش خروجی به تجزیه و تحلیل سیستم می پردازد. محبوبیت روش SY را می توان به الگوریتم استخراج قانون موثر آن نسبت داد، که از یک فرآیند خوشه بندی برای تعیین توابع عضویت ورودی استفاده می کند. در این مقاله، یک الگوریتم جستجوی خوشه ای و یک روش تقسیم بندی فازی جدید پیشنهاد شده است که نگاشت فضای خروجی به فضای ورودی را با توزیع توابع گاوسی برای هر نقطه داده در یک خوشه و محاسبه مقادیر عضویت آن ها افزایش می دهد. با این روش جدید جستجوی خوشه بندی پیشنهادی، عملکرد روش SY بهبود یافته است. با توجه به شبیه سازی ها، روش پیشنهادی معیار میانگین مربعات خطا (MSE) را 0.001 و معیار دقت را 1.5 درصد بهبود بخشیده است.
    کلید واژگان: سیستم استنتاج فازی (FIS)، مدل سازی فازی، روش Sugeno-Yasukawa (SY)، تقریب تابع عضویت، خوشه بندی
    S. Haghzad Klidbary *
    Soft computing algorithm such as fuzzy logic, neural networks, and evolutionary algorithms are widely used in many fields. Fuzzy logic, in particular, has gained significant popularity due to its significant ability in modelling. So far, various methods of fuzzy modelling have been presented; each of these methods has its advantages and disadvantages. While all methods start from the input, Sugeno-Yasukawa (SY) differs by initiating the analysis from the output. The popularity of the SY method can be attributed to its effective rule extraction algorithm, which employs a clustering process to determine input membership functions. In this paper, we propose a cluster search algorithm and a new fuzzy partitioning method that enhance the mapping of the output space to the input space by distributing Gaussian functions for each data point within a cluster and calculating their membership values. With this proposed new clustering search method, the performance of the SY method is improved. Through simulations, the proposed method has improved the mean square errors (MSE) criterion by 0.001, and improved the accuracy criterion by 1.5 percent.
    Keywords: Fuzzy Inference System (FIS), Fuzzy Modelling, Sugeno-Yasukawa (SY) Method, Membership Function Approximation, Clustering
  • سجاد حق زاد کلیدبری*

    در فرآیند آموزش الگوریتم های یادگیری، همواره داشتن مجموعه داده های آموزشی مناسب مورد توجه است. وجود داده های پرت، داده های نویزی و داده های نامناسب، همواره بر عملکرد الگوریتم های موجود تاثیرگذار است. روش یادگیری فعال ، یکی از ابزارهای قدرتمند در محاسبات نرم است که از نحوه عملکرد مغز انسان بهره می گیرد. عملکرد این الگوریتم کاملا مبتنی بر محاسبات ساده است و یک سیستم چند- ورودی تک- خروجی را به صورت مجموعی از سیستم های تک- ورودی تک- خروجی در نظر می گیرد و با شکستن مسیله پیچیده به چندین مسیله ساده تر موجب درک پذیری ساده آن می شود. در این مقاله برای بهبود عملکرد این الگوریتم، با تغییراتی در فرآیند آموزش، از داده هایی تحت عنوان داده های منفی استفاده شده است. در روش یادگیری فعال به واسطه استفاده از اپراتور پخش قطره جوهر، بهره گیری از داده های منفی در فرآیند آموزش امکان پذیر است. با این اقدام، سیاستی مشابه سیاست پاداش و جزاء در روش های یادگیری تقویتی  اجراء می شود. شبیه سازی های انجام شده بیان از عملکرد مناسب و افزایش قدرت محاسباتی روش پیشنهادی نسبت به روش موجود دارد و مقدار FVU، 0.0143 حاصل شده است. همچنین با روش پیشنهادی، افزایش دقت و سرعت در فرآیند کنترل سیستم پاندول معکوس، که یک مسیله کلاسیک در سیستم های کنترل می باشد، کاملا مشهود است.

    کلید واژگان: روش یادگیری فعال، اپراتور پخش قطره جوهر، سیستم استنتاج فازی، داده منفی، کنترل
    Sajad Haghzad Klidbary*

    In the training phase of learning algorithms, it is always important to have a suitable training data set. The presence of outliers, noise data, and inappropriate data always affects the performance of existing algorithms. The active learning method (ALM) is one of the powerful tools in soft computing inspired by the computation of the human brain. The operation of this algorithm is completely based on simple calculations and tries to model a Multi-Input Single-Output (MISO) system as a set of Single-Input Single-Output (SISO) subsystems and breaks a complex problem into several simpler problems. Each of the subsystems is then modeled by an Ink Drop Spread (IDS) plane. In this paper, to improve the performance of ALM, with changes in how it works, data called negative data has been used. In the ALM, it is possible to use negative data in the training phase by using the IDS operator. By doing so, a policy similar to the reward and punishment policy is in reinforcement learning methods is used. To investigate the accuracy of the proposed algorithm, some simulations in control have been done on an inverted pendulum system and the FVU value is 0.0143. The simulations results confirm the proper performance and increase the computational power of the proposed method compared to the existing method.

    Keywords: Active Learning Method (ALM), Ink Drop Spread (IDS) Operator, Fuzzy Inference System (FIS), Negative Data, Control
  • Tahir Alyas *, Gulzar Ahmad, Yousaf Saeed, Muhammad Asif, Umer Farooq, Asma Kanwal
    Internet of Things (IoT) and cloud computing technologies have connected the infrastructure of the city to make the context-aware and more intelligent city for utility its major resources. These technologies have much potential to solve thechallenges of urban areas around the globe to facilitate the citizens. A framework model that enables the integration of sensor’s data and analysis of the data in the context of smart parking is proposed. These technologies use sensors anddevices deployed around the city parking areas sending real time data through the edge computers to the main cloud servers. Mobil-Apps are developed that used real time data, set from servers of the parking facilities in the city. Fuzzification is shown to be a capable mathematical approach for modeling city parking issues. To solve the city parking problems in cities a detailed analysis of fuzzy logic proposed systems is developed. This paper presents the resultsachieved using Mamdani Fuzzy Inference System to model complex smart parking system. These results are verified using MATLAB simulation.
    Keywords: Internet of Things(IoT), Fuzzy Inference System(FIS), cloud computing, AI
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