FLEXIBLE WAVELET-NEURO-FUZZY NEURON IN DYNAMIC DATA MINING TASKS
Ключові слова:
: гнучкий нео-фаззі нейрон, гнучкі функції активації-приналежності, алгоритм навчання, прогнозування, ідентифікаціяАнотація
Запропоновано нову гнучку модифікацію нео-фаззі нейрону та алгоритм навчання усіх параметрів. Запропонований алгоритм навчання дає змогу налаштувати не тільки синаптичні ваги, але й параметри функцій активації-приналежності та її форми, що дає змогу уникнути виникнення «дірок» у вхідному просторі. Запропонований алгоритм навчання має як фільтруючі, так і властивості слідкування, таким чином гнучкий нео-фаззі нейрон може використовуватися для вирішення задач прогнозування, фільтрації та згладжування нестаціонарних стохастичних и хаотичних послідовностей. Перевагами запропонованого підходу є простота обчислення у порівняні з відомими алгоритмами навчання гібридних вейвлет-нейро-фаззі-систем обчислювального інтелекту.
Завантаження
Дані завантаження ще не доступні.
Посилання
1 V. Raghavan, A. Hafez, Dynamic Data Mining, J. of the American Society for Information Science, (2000), Р.220-229.
2 E. Lughofer, Evolving Fuzzy Systems: Methodologies, Advanced Concepts and Applications, Springer, 2011.
3 Abiyev R.H., Kaynak O.: Fuzzy wavelet neural networks for identification and control of dynamic plants - A novel structure and a comparative study. IEEE Trans. on Industrial Electronics, 55(8) 3133–3140 (2008)
4 Ye. Bodyanskiy, I. Pliss, O. Vynokurova, Adaptive wavelet-neuro-fuzzy network in the forecasting and emulation tasks, Int. J. on Information Theory and Applications, 15 (1), (2008), 47-55.
5 Ye. Bodyanskiy, I. Pliss, O. Vynokurova, Hybrid wavelet-neuro-fuzzy system using adaptive W-neurons. Wissenschaftliche Berichte, FH Zittau/ Goerlitz, 106(N.24542490), (2008), 301–308.
6 Ye. Bodyanskiy, I. Pliss, O. Vynokurova, Hybrid GMDH-neural network of computational intelligence, in: Proc. 3rd International Workshop on Inductive Modelling, Poland, Krynica, (2009), 100-107.
7 T. Miki, T. Yamakawa, Analog implementation of neo-fuzzy neuron and its onboard learning, In N.E. Mastorakis, editor, Computational Intelligence and Application. WSES Press, (1999), 144- 149.
8 T. Yamakawa, T. Miki, E. Uchino, H. Kusanagi, A neo fuzzy neuron and its applications to system identification and prediction of the system behavior, in: Proc. 2-nd Int. Conf. on Fuzzy Logic and Neural Networks - ”IIZUKA-92”, Iizuka, Japan, (1992), 477-483.
9 E. Uchino, T. Yamakawa, Soft computing bases signal prediction, restoration, and filtering, in Da Ruan, editor, Intelligent Hybrid Systems: Fuzzy Logic, Neural Networks, and Genetic Algorithms, Boston, Kluwer Academic Publishers, (1997), 331- 349.
10 Ye. Bodyanskiy, I. Kokshenev, V. Kolodyazhniy, An adaptive learning algorithm for a neo fuzzy neuron, in Proc. 3-nd Int. Conf. of European Union Society for Fuzzy Logic and Technology (EUSFLAT’03), Zittau, Germany, (2003),
375-379.
11 G.C. Goodwin, P.J. Ramadge, P.E. Caines, A globally convergent adaptive predictor, Automatica, 17(1), (1981), 135-140.
12 Ye.V. Gorshkov, V.V. Kolodyazhniy, I.P. Pliss, Adaptive learning algorithm for a neo-fuzzy neuron and neuro-fuzzy network based on a polynomial membership functions, Bionica Intellecta, 61(1), (2004), 78-81.
13 Ye. Bodyanskiy, Ye. Viktorov, The cascade neo-fuzzy architecture using cubic spline activation functions, Int. J. Information Theories and Application, 16(3), (2009), 245-259.
14 V. Kolodyazhniy, Ye. Bodyanskiy, Cascaded multiresolution spline-based fuzzy neural network, Eds. P. Angelov, D. Filev, N.Kasabov, in Proc. Int. Symp. on Evolving Intelligent Systems, Leicester, UK, (2010), 26-29.
15 Ye. Bodyanskiy, N. Lamonova, I. Pliss, O. Vynokurova, An adaptive learning algorithm for a wavelet neural network, Expert Systems, 22(5), (2005), 235-240.
16 Ye. Bodyanskiy, O. Vynokurova, Hybrid adaptive wavelet-neuro-fuzzy system for chaotic time series identification. Information Science,
220, (2013), 170-179.
2 E. Lughofer, Evolving Fuzzy Systems: Methodologies, Advanced Concepts and Applications, Springer, 2011.
3 Abiyev R.H., Kaynak O.: Fuzzy wavelet neural networks for identification and control of dynamic plants - A novel structure and a comparative study. IEEE Trans. on Industrial Electronics, 55(8) 3133–3140 (2008)
4 Ye. Bodyanskiy, I. Pliss, O. Vynokurova, Adaptive wavelet-neuro-fuzzy network in the forecasting and emulation tasks, Int. J. on Information Theory and Applications, 15 (1), (2008), 47-55.
5 Ye. Bodyanskiy, I. Pliss, O. Vynokurova, Hybrid wavelet-neuro-fuzzy system using adaptive W-neurons. Wissenschaftliche Berichte, FH Zittau/ Goerlitz, 106(N.24542490), (2008), 301–308.
6 Ye. Bodyanskiy, I. Pliss, O. Vynokurova, Hybrid GMDH-neural network of computational intelligence, in: Proc. 3rd International Workshop on Inductive Modelling, Poland, Krynica, (2009), 100-107.
7 T. Miki, T. Yamakawa, Analog implementation of neo-fuzzy neuron and its onboard learning, In N.E. Mastorakis, editor, Computational Intelligence and Application. WSES Press, (1999), 144- 149.
8 T. Yamakawa, T. Miki, E. Uchino, H. Kusanagi, A neo fuzzy neuron and its applications to system identification and prediction of the system behavior, in: Proc. 2-nd Int. Conf. on Fuzzy Logic and Neural Networks - ”IIZUKA-92”, Iizuka, Japan, (1992), 477-483.
9 E. Uchino, T. Yamakawa, Soft computing bases signal prediction, restoration, and filtering, in Da Ruan, editor, Intelligent Hybrid Systems: Fuzzy Logic, Neural Networks, and Genetic Algorithms, Boston, Kluwer Academic Publishers, (1997), 331- 349.
10 Ye. Bodyanskiy, I. Kokshenev, V. Kolodyazhniy, An adaptive learning algorithm for a neo fuzzy neuron, in Proc. 3-nd Int. Conf. of European Union Society for Fuzzy Logic and Technology (EUSFLAT’03), Zittau, Germany, (2003),
375-379.
11 G.C. Goodwin, P.J. Ramadge, P.E. Caines, A globally convergent adaptive predictor, Automatica, 17(1), (1981), 135-140.
12 Ye.V. Gorshkov, V.V. Kolodyazhniy, I.P. Pliss, Adaptive learning algorithm for a neo-fuzzy neuron and neuro-fuzzy network based on a polynomial membership functions, Bionica Intellecta, 61(1), (2004), 78-81.
13 Ye. Bodyanskiy, Ye. Viktorov, The cascade neo-fuzzy architecture using cubic spline activation functions, Int. J. Information Theories and Application, 16(3), (2009), 245-259.
14 V. Kolodyazhniy, Ye. Bodyanskiy, Cascaded multiresolution spline-based fuzzy neural network, Eds. P. Angelov, D. Filev, N.Kasabov, in Proc. Int. Symp. on Evolving Intelligent Systems, Leicester, UK, (2010), 26-29.
15 Ye. Bodyanskiy, N. Lamonova, I. Pliss, O. Vynokurova, An adaptive learning algorithm for a wavelet neural network, Expert Systems, 22(5), (2005), 235-240.
16 Ye. Bodyanskiy, O. Vynokurova, Hybrid adaptive wavelet-neuro-fuzzy system for chaotic time series identification. Information Science,
220, (2013), 170-179.
##submission.downloads##
Опубліковано
11.11.2013
Як цитувати
Bodyanskiy, Y. .-., Pliss, I. .-., & Vynokurova, O. .-. (2013). FLEXIBLE WAVELET-NEURO-FUZZY NEURON IN DYNAMIC DATA MINING TASKS. Нафтогазова енергетика, (2(20), 158–162. вилучено із https://nge.nung.edu.ua/index.php/nge/article/view/269
Номер
Розділ
НАУКА І СУЧАСНІ ТЕХНОЛОГІЇ
.png)
1.png){kind=logo}
