ریاضی 6. طراحی برنامه شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج

طراحی برنامه شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج 
چکیده.به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و در حوزه های کاربردی طرح شناختی فازی(FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs سنتی روش کارامدی را برای تعیین حالت سیستم مورد بحث و تعیین کردن کمیت تلفاتی که مبنای نظریه FCMs را مشخص می کنند ایجاد می کند. بنابراین در بسیاری از موارد، ایجاد FCMs برای سیستم های پیچیده بستگی به توان کارشناسی دارد.مدل های ایجاد شده دستی دارای کمبودهایی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی به حد معقول خود دارند.در این مقاله ما یک شبکه عصبی فازی را برای بالا بردن توان یادگیری FCMs مطرح می کنیم به گونه ای که تعیین اتوماتیک تابع عضویت و مشخص کردن دلایل مربوط به آن با مکانیسم اثباتی FCMs سنتی ادغام می گردد. به این ترتیب، مدل FCMs از سیستم های تحقیقی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از موارد کارشناسی شده می باشند.به این ترتیب تفاسیر مشخصی در ارتباط با دلایل FCMsایجاد شده و به این ترتیب فرایند استنباط درکش اسان تر می گردد. به منظور ایجاد صحت در عملکرد، روش های بیان شده در پیش بینی بی نظمی های سری زمانی تست می گردد.بررسی های شبیه سازی شده کارای رویکردهای مطرح شده را نشان می دهد.

صنایع 5. طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج

طراحی نقشه های شناختی فازی با استفاده از شبکه های عصبی برای پیش بینی سری زمانی پر هرج و مرج 
چکیده.به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و در حوزه های کاربردی طرح شناختی فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs سنتی روش کارامدی را برای تعیین حالت سیستم مورد بحث و تعیین کردن کمیت تلفاتی که مبنای نظریه FCMs را مشخص می کنند ایجاد می کند. بنابراین در بسیاری از موارد، ایجاد FCMs برای سیستم های پیچیده بستگی به توان کارشناسی دارد.مدل های ایجاد شده دستی دارای کمبودهایی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی به حد معقول خود دارند.در این مقاله ما یک شبکه عصبی فازی را برای بالا بردن توان یادگیری FCMs مطرح می کنیم به گونه ای که تعیین اتوماتیک تابع عضویت و مشخص کردن دلایل مربوط به آن با مکانیسم اثباتی FCMs سنتی ادغام می گردد. به این ترتیب، مدل FCMs از سیستم های تحقیقی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از موارد کارشناسی شده می باشند.به این ترتیب تفاسیر مشخصی در ارتباط با دلایل FCMsایجاد شده و به این ترتیب فرایند استنباط درکش اسان تر می گردد. به منظور ایجاد صحت در عملکرد، روش های بیان شده در پیش بینی بی نظمی های سری زمانی تست می گردد.بررسی های شبیه سازی شده کارای رویکردهای مطرح شده را نشان می دهد.