کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947870 1439595 2017 36 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Clustering techniques for Fuzzy Cognitive Map design for time series modeling
ترجمه فارسی عنوان
تکنیک های خوشه بندی برای طراحی نقشه شناختی فازی برای مدل سازی سری زمانی
کلمات کلیدی
نقشه های شناختی فازی، خوشه بندی فازی، سری زمانی،
ترجمه چکیده
این مطالعه روشی را برای مدل سازی سری زمانی با نقشه های شناختی فازی ارائه می دهد. در مقاله ما بر روی مرحله اولیه مدل سازی تمرکز می کنیم: انتخاب گره های نقشه. هدف پژوهش، معرفی روش های الگوریتمی برای ارزیابی طراحی نقشه شناختی فازی قبل از مرحله آموزش بود. ما یک فرضیه مطرح کردیم که استفاده از شاخص های اعتبار خوشه ای می تواند در این تلاش به ما کمک کند. به منظور اعتبارسنجی رویکرد پیشنهادی، ما مجموعه ای از آزمایشات بر روی سری های زمانی مختلف، هم مصنوعی و هم دنیای واقعی انجام داده ایم. پنج شاخص اعتبار خوشه به ویژه در مطالعه ما ارزشمند بود. نتایج نشان می دهد که نقشه های شناختی فازی که با استفاده از یکی از پنج شاخص انتخاب شده، دارای کیفیت عالی هستند. اولا، آنها به راحتی قابل تفسیر هستند، زیرا گره های نقشه با نقاط داده های پایه ارتباط دارند. دوم، بعد از اینکه ما چنین نقشه ها را آموزش می دهیم، معلوم می شود که کیفیت عددی پیش بینی های آنها، نقشه های دیگر را با طرح های دیگر به نمایش می گذارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
This study presents an approach to time series modeling with Fuzzy Cognitive Maps. In the paper we focus on initial modeling phase: map nodes selection. The research objective was to introduce algorithmic means to evaluate Fuzzy Cognitive Map design before training phase. We posed a hypothesis that application of cluster validity indexes could serve us in this endeavor. In order to validate the proposed approach we have conducted a suite of experiments on various time series, both synthetic and real-world. Five cluster validity indexes turned out to be especially valuable in our study. Results show that Fuzzy Cognitive Maps designed using one of the five selected indexes have superior quality. First, they are easy to interpret, because map nodes are related with the underlying data points. Second, after we train such maps, it turns out that the numerical quality of their predictions outrivals maps with other designs.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 232, 5 April 2017, Pages 3-15
نویسندگان
, ,