Готові списки джерел за темами / Fuzzy GMDH

Добірка наукової літератури з теми "Fuzzy GMDH"

Автор: Grafiati

Опубліковано: 30 травня 2022

Оновлено: 31 травня 2022

Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями

Оберіть тип джерела:

Зміст

Статті в журналах
Дисертації
Частини книг
Тези доповідей конференцій

Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Fuzzy GMDH".

Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.

Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.

Статті в журналах з теми "Fuzzy GMDH"

Ozovehe, Aliyu, Okpo U. Okereke, Anene E. Chibuzo, and Abraham U. Usman. "Comparative Analysis of Traffic Congestion Prediction Models for Cellular Mobile Macrocells." European Journal of Engineering Research and Science 3, no. 6 (June 30, 2018): 32. http://dx.doi.org/10.24018/ejers.2018.3.6.767.

Повний текст джерела

Анотація:

Traffic congestion prediction is a non-linear process that involves obtaining valuable information from a set of traffic data and regression or auto-regression linear models cannot be applied as they are limited in their ability to deal with such problems. However, Artificial Intelligent (AI) techniques have shown great ability to deal with non-linear problems and two of such techniques which have found application in traffic prediction are the Artificial Neural Networks (ANN) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS). In this work, Multiple Layer Perceptron Neural Network (MLP-NN), Radial Basis Function Neural Network (RBF-NN), Group Method of Data Handling (GMDH) and an Adaptive Neuro-Fuzzy Inference Systems (ANFIS) are trained based on busy hour (BH) traffic measurement data taken from some GSM/GPRS sites in Abuja, Nigeria. The trained networks were then used to predict traffic congestion for some macrocells and their accuracy are compared using four statistical indices. The GMDH model on the average gave goodness of fit (R2), root mean square error (RMSE), standard deviation (σ), and mean absolute error (µ) values of 99, 3.16, 3.53 and 2.32 % respectively. It was observed that GMDH model has the best fit in all cases and on the average predict better than ANFIS, MLP and RBF models. The GMDH model is found to offer improved prediction results in terms of increasing the R2 by 20% and reducing RMSE by 60% over ANFIS, the closest model to the GMDH in term of prediction accuracy.

Стилі APA, Harvard, Vancouver, ISO та ін.

Ozovehe, Aliyu, Okpo U. Okereke, Anene E. Chibuzo, and Abraham U. Usman. "Comparative Analysis of Traffic Congestion Prediction Models for Cellular Mobile Macrocells." European Journal of Engineering and Technology Research 3, no. 6 (June 30, 2018): 32–38. http://dx.doi.org/10.24018/ejeng.2018.3.6.767.

Повний текст джерела

Анотація:

Traffic congestion prediction is a non-linear process that involves obtaining valuable information from a set of traffic data and regression or auto-regression linear models cannot be applied as they are limited in their ability to deal with such problems. However, Artificial Intelligent (AI) techniques have shown great ability to deal with non-linear problems and two of such techniques which have found application in traffic prediction are the Artificial Neural Networks (ANN) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS). In this work, Multiple Layer Perceptron Neural Network (MLP-NN), Radial Basis Function Neural Network (RBF-NN), Group Method of Data Handling (GMDH) and an Adaptive Neuro-Fuzzy Inference Systems (ANFIS) are trained based on busy hour (BH) traffic measurement data taken from some GSM/GPRS sites in Abuja, Nigeria. The trained networks were then used to predict traffic congestion for some macrocells and their accuracy are compared using four statistical indices. The GMDH model on the average gave goodness of fit (R2), root mean square error (RMSE), standard deviation (?), and mean absolute error (µ) values of 99, 3.16, 3.53 and 2.32 % respectively. It was observed that GMDH model has the best fit in all cases and on the average predict better than ANFIS, MLP and RBF models. The GMDH model is found to offer improved prediction results in terms of increasing the R2 by 20% and reducing RMSE by 60% over ANFIS, the closest model to the GMDH in term of prediction accuracy.

Стилі APA, Harvard, Vancouver, ISO та ін.

Zaychenko, Yuriy, and Helen Zaychenko. "Fuzzy GMDH and its application to forecasting financial processes." System research and information technologies, no. 1 (March 25, 2019): 91–109. http://dx.doi.org/10.20535/srit.2308-8893.2019.1.07.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Mohanty, Ramakanta, V. Ravi, and M. R. Patra. "Application of Machine Learning Techniques to Predict Software Reliability." International Journal of Applied Evolutionary Computation 1, no. 3 (July 2010): 70–86. http://dx.doi.org/10.4018/jaec.2010070104.

Повний текст джерела

Анотація:

In this paper, the authors employed machine learning techniques, specifically, Back propagation trained neural network (BPNN), Group method of data handling (GMDH), Counter propagation neural network (CPNN), Dynamic evolving neuro–fuzzy inference system (DENFIS), Genetic Programming (GP), TreeNet, statistical multiple linear regression (MLR), and multivariate adaptive regression splines (MARS), to accurately forecast software reliability. Their effectiveness is demonstrated on three datasets taken from literature, where performance is compared in terms of normalized root mean square error (NRMSE) obtained in the test set. From rigorous experiments conducted, it was observed that GP outperformed all techniques in all datasets, with GMDH coming a close second.

Стилі APA, Harvard, Vancouver, ISO та ін.

Yousefpour, A., and Z. Ahmadpour. "The Prediction Of Air Pollution By Using Neuro-fuzzy Gmdh." Journal of Mathematics and Computer Science 02, no. 03 (April 15, 2011): 488–94. http://dx.doi.org/10.22436/jmcs.02.03.13.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

NAGASAKA, K., H. ICHIHASHI, and R. LEONARD. "Neuro-fuzzy GMDH and its application to modelling grinding characteristics." International Journal of Production Research 33, no. 5 (May 1995): 1229–40. http://dx.doi.org/10.1080/00207549508930206.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Zhu, Bing, Chang-Zheng He, Panos Liatsis, and Xiao-Yu Li. "A GMDH-based fuzzy modeling approach for constructing TS model." Fuzzy Sets and Systems 189, no. 1 (February 2012): 19–29. http://dx.doi.org/10.1016/j.fss.2011.08.004.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Hayashi, Isao, and Hideo Tanaka. "The fuzzy GMDH algorithm by possibility models and its application." Fuzzy Sets and Systems 36, no. 2 (June 1990): 245–58. http://dx.doi.org/10.1016/0165-0114(90)90182-6.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Heydari, Azim, Meysam Majidi Nezhad, Mehdi Neshat, Davide Astiaso Garcia, Farshid Keynia, Livio De Santoli, and Lina Bertling Tjernberg. "A Combined Fuzzy GMDH Neural Network and Grey Wolf Optimization Application for Wind Turbine Power Production Forecasting Considering SCADA Data." Energies 14, no. 12 (June 11, 2021): 3459. http://dx.doi.org/10.3390/en14123459.

Повний текст джерела

Анотація:

A cost-effective and efficient wind energy production trend leads to larger wind turbine generators and drive for more advanced forecast models to increase their accuracy. This paper proposes a combined forecasting model that consists of empirical mode decomposition, fuzzy group method of data handling neural network, and grey wolf optimization algorithm. A combined K-means and identifying density-based local outliers is applied to detect and clean the outliers of the raw supervisory control and data acquisition data in the proposed forecasting model. Moreover, the empirical mode decomposition is employed to decompose signals and pre-processing data. The fuzzy GMDH neural network is a forecaster engine to estimate the future amount of wind turbines energy production, where the grey wolf optimization is used to optimize the fuzzy GMDH neural network parameters in order to achieve a lower forecasting error. Moreover, the model has been applied using actual data from a pilot onshore wind farm in Sweden. The obtained results indicate that the proposed model has a higher accuracy than others in the literature and provides single and combined forecasting models in different time-steps ahead and seasons.

Стилі APA, Harvard, Vancouver, ISO та ін.

Harandizadeh, Hooman. "Developing a new hybrid soft computing technique in predicting ultimate pile bearing capacity using cone penetration test data." Artificial Intelligence for Engineering Design, Analysis and Manufacturing 34, no. 1 (January 30, 2020): 114–26. http://dx.doi.org/10.1017/s0890060420000025.

Повний текст джерела

Анотація:

AbstractThis research intends to investigate a new hybrid artificial intelligence (AI) technique compared to some common CPT methods in estimating axial ultimate pile bearing capacity (UPBC) using cone penetration test (CPT) data in geotechnical engineering applications. A data series of 108 samples was collected in order to develop a new hybrid structure of an adaptive neuro-fuzzy inference system (ANFIS) network, and the group method of the data handling (GMDH) type neural network was optimized by applying the particle swarm optimization (PSO) algorithm over the hybrid ANFIS-GMDH topology, which leads to a new hybrid AI model called as ANFIS-GMDH-PSO. The derived database provides information related to pile load tests, in situ field CPT data, and soil–pile information for introducing the proposed hybrid neural system. The cross-section of the pile toe, average cone tip resistance along embedded pile length, and sleeve frictional resistance along the shaft had been considered as input parameters for the proposed network. The results of this research indicated that the proposed ANFIS-GMDH-PSO model predicted the UPBC with an acceptable precision compared to various CPT methods, including Schmertmann, De Kuiter & Bringen, and LPC/LPCT methods. Moreover, ANFIS-GMDH-PSO network model performance was compared to CPT-based models in terms of statistical criteria in order to achieve a best fitted model. From the statistical results, it was found that the developed ANFIS-GMDH-PSO model has achieved a higher accuracy level in terms of statistical indices compared to CPT-based empirical methods, such as Schmertmann model, De Kuiter & Beringen model, and Bustamante & Gianeselli for predicting driven pile ultimate bearing capacity.

Стилі APA, Harvard, Vancouver, ISO та ін.

Більше джерел

Дисертації з теми "Fuzzy GMDH"

GONCALVES, IRACI M. P. "Monitoração e diagnóstico para detecção de falhas de sensores utilizando a metodologia GMDH." reponame:Repositório Institucional do IPEN, 2006. http://repositorio.ipen.br:8080/xmlui/handle/123456789/11382.

Повний текст джерела

Анотація:

Made available in DSpace on 2014-10-09T12:51:19Z (GMT). No. of bitstreams: 0
Made available in DSpace on 2014-10-09T14:03:37Z (GMT). No. of bitstreams: 0
Tese (Doutoramento)
IPEN/T
Instituto de Pesquisas Energeticas e Nucleares - IPEN/CNEN-SP

Стилі APA, Harvard, Vancouver, ISO та ін.

Gonçalves, Iraci Martinez Pereira. "Monitoração e diagnóstico para detecção de falhas de sensores utilizando a metodologia GMDH." Universidade de São Paulo, 2006. http://www.teses.usp.br/teses/disponiveis/85/85133/tde-04062012-144516/.

Повний текст джерела

Анотація:

O sistema de detecção de falhas e diagnóstico é um sistema de suporte ao operador dedicado a funções específicas que alertam os operadores para problemas de falhas em sensores e atuadores, e auxiliam no diagnóstico antes que os limites normais de alarmes sejam atingidos. Sistemas de suporte ao operador surgiram para diminuir a complexidade dos painéis causada pelo grande aumento de informação disponível nas salas de controle das centrais nucleares. Neste trabalho foi desenvolvido um Sistema de Monitoração e Diagnóstico utilizando a metodologia GMDH (Group Method of Data Handling) aplicado ao reator de pesquisas do Ipen IEA-R1. O sistema faz a monitoração, comparando os valores calculados pelo modelo GMDH com os valores medidos. A metodologia desenvolvida foi aplicada inicialmente em modelos teóricos: um modelo teórico de trocador de calor e um modelo teórico do reator IEA-R1. Os resultados obtidos com os modelos teóricos propiciaram uma base para a aplicação da metodologia aos dados de operação do reator. Para a monitoração de dados de operação foram desenvolvidos três modelos GMDH: o primeiro utilizou apenas variáveis de processo, o segundo modelo foi desenvolvido considerando-se algumas variáveis nucleares e três variáveis de temperatura, e o terceiro modelo GMDH considerou todas as variáveis possíveis. Os três modelos apresentaram resultados excelentes, mostrando amplamente a viabilidade da utilização da metodologia GMDH na monitoração de dados de operação. A comparação entre os resultados dos três modelos desenvolvidos mostrou ainda a capacidade da metodologia GMDH de escolher as melhores variáveis para otimização do modelo. Para a implementação de um sistema de diagnóstico, foram adicionadas falhas sinteticamente aos valores das variáveis de temperatura. Os valores de falhas correspondem a uma descalibração da temperatura e o resultado da monitoração de dados com falhas foi utilizado para a elaboração de um sistema de diagnóstico simples e objetivo baseado na lógica nebulosa.
The fault detection and diagnosis system is an Operator Support System dedicated to specific functions that alerts operators to sensors and actuators fault problems, and guide them in the diagnosis before the normal alarm limits are reached. Operator Support Systems appears to reduce panels complexity caused by the increase of the available information in nuclear power plants control room. In this work a Monitoring and Diagnosis System was developed based on the GMDH (Group Method of Data Handling) methodology. The methodology was applied to the IPEN research reactor IEA-R1. The system performs the monitoring, comparing GMDH model calculated values with measured values. The methodology developed was firstly applied in theoretical models: a heat exchanger model and an IPEN reactor theoretical model. The results obtained with theoretical models gave a base to methodology application to the actual reactor operation data. Three GMDH models were developed for actual operation data monitoring: the first one using just the thermal process variables, the second one was developed considering also some nuclear variables, and the third GMDH model considered all the reactor variables. The three models presented excellent results, showing the methodology utilization viability in monitoring the operation data. The comparison between the three developed models results also shows the methodology capacity to choose by itself the best set of input variables for the model optimization. For the system diagnosis implementation, faults were simulated in the actual temperature variable values by adding a step change. The fault values correspond to a typical temperature descalibration and the result of monitoring faulty data was then used to build a simple diagnosis system based on fuzzy logic.

Стилі APA, Harvard, Vancouver, ISO та ін.

Нафас, Агаї Аг Гаміш Ові. "Прогнозування ризику банкрутства в промисловій та банківській сфері з використанням нечітких моделей та алгоритмів". Thesis, НТУУ "КПІ", 2016. https://ela.kpi.ua/handle/123456789/14938.

Повний текст джерела

Анотація:

Дисертацію присвячено розробці моделей та алгоритмів аналізу фінансового стану та прогнозування ризику банкрутства підприємств та банків в умовах невизначеності, неповної та недостовірної інформації на прикладі економіки України. Проаналізовано класичні статистичні методи прогнозування ризику банкрутства підприємств на основі методів багатовимірного дискримінантного аналізу, зокрема метод Альтмана. Виявлено його недоліки та недоцільність використання в умовах економіки України, оскільки він базується на використанні достовірної інформації про стан підприємств. Тому в роботі обгрунтовано використання для прогнозування ризику банкрутства в умовах неповноти та невизначеності нечітких нейронних мереж (НММ) з виведеннями Мамдані та Цукамото. В дисертації розроблено базу правил для вирішення задачі аналізу фінансового стану та прогнозування ризику банкрутства підприємств в умовах невизначеності для нейромереж Мамдані та Цукомото. Оскільки загальний розмір повної бази нечітких правил великий, що не дає можливості її навчання за короткий час, запропоновано спосіб скорочення розмірів бази правил та її наглядне представлення шляхом використання бальних оцінок. Розроблено алгоритми прогнозування ризику банкрутства підприємств з використанням ННМ Мамдані та Цукамото. Далі в роботі розглянуто нео-фаззі каскадні мережі для аналізу фінансового стану та прогнозуванню ризику банкрутства підприємств в умовах невизначеності. Їх особливостями є відсутність бази правил висновку, а також те, що функції належності фіксовані і не потребують навчання, навчаються лише лінійні параметри – ваги зв’язків ННМ. Тому ці мережі мають прискорену збіжність навчання в порівнянні з ННМ з висновками Мамдані та Цукамото. Проведено експериментальні дослідження запропонованих моделей та алгоритмів для прогнозування ризику банкрутства підприємств України та порівняльний аналіз з класичними методами. Результати експериментів показали, що точність прогнозування ризику банкрутства складає методом Альтмана - 68-70%, матричним методом - 80%, нео-фазі каскадною нейромережею - 87%, а ННМ Мамдані та Цукамото -88-90 %. В роботі також було досліджено проблему прогнозування ризику банкрутства в банківській сфері України в умовах невизначеності. Для вирішення цієї проблеми запропоновано використання ННМ TSK та ANFIS. Проведено експериментальні дослідження ефективності використання ННМ для прогнозування ризику банкрутства банків та порівняння зі статистичними моделями ARIMA, logit-model та probit–model, а також із нечітким МГУА. В результаті експериментів встановлено, що найбільшу точність прогнозування забезпечує використання ННМ TSK (2%) та нечіткого МГУА (4%), тоді як статистичні моделі мають точність: logit-model - 16%, probit –model - 14%) та ARIMA - 18%. В процесі експериментів також було визначено адекватні фінансово-економічні показники банків для прогнозування ризику банкрутства.
The thesis is devoted to the development of models and algorithms for analysis of financial state and forecasting of bankruptcy risk of enterprises and banks in condition of uncertainty, incomplete and unreliable information on the example of the Ukrainian economy. Classical statistical methods for predicting the risk of bankruptcy on the basis of multivariate discriminant analysis, in particular the method of Altman, are analyzed. It revealed its deficiencies and inappropriateness of its use in Ukraine's economy, since it is based on the use of reliable information on the state enterprises. Therefore, the use of fuzzy neural networks (FNN) with the conclusions Mamdani and Tsukamoto to forecast the risk of bankruptcy in the conditions of incompleteness and uncertainty is entirely justified. In the thesis rule base is developed for solving the problem of financial analysis and forecasting the risk of bankruptcy of enterprises for neural networks Mamdani and Tsukamoto. Since the total size of the comprehensive fuzzy rule base is great that does not allow its training in a short time, a method of reducing the size of the rule base and its visual representation through the use of scores is suggested. Algorithms for predicting the risk of bankruptcy of enterprises with FNN Mamdani and Tsukamoto are developed. Further in the paper the cascade neo-fuzzy network (CNFN) for predicting the risk of bankruptcy in condition of uncertainty is suggested. Its features is the absence of the rule base, as well as the fact that the membership functions are fixed and does not need training. Therefore, these networks have accelerated the convergence of training compared with FNN Mamdani and Tsukamoto. Experimental studies of the proposed models and algorithms for the forecasting of the risk of bankruptcy in Ukraine and comparative analysis with classical methods are presented. The experimental results showed that the accuracy of predicting the bankruptcy risk by Altmana- by 68- 70%, matrix method - 80%, cascade neo-fuzzy neural network - 87% and FNN Mamdanі and Tsukamoto - 88-90%. The paper also studied the problem of forecasting the risk of bankruptcy in the banking sector of Ukraine in conditions of uncertainty. To solve this problem using FNN TSK and ANFIS is proposed. Experimental research of effectiveness of using FNN to predict the risk of bank failures and comparison with statistical models ARIMA, logit-model, probit-model and fuzzy GMDH are presented. The experiment established that the greatest prediction accuracy allows the use of FNN TSK (2%) and fuzzy GMDH (4%), while the statistical models: logit-model - 16%, probit-model - 14% and ARIMA - 18%. During the experiments adequate financial and economic indicators of banks to predict the risk of bankruptcy were determined.
Диссертация посвящена разработке моделей и алгоритмов анализа финансового состояния и прогнозирования риска банкротства предприятий и банков в условиях неопределенности, неполной и недостоверной информации на примере экономики Украины. Проанализированы классические статистические методы прогнозирования риска банкротства предприятий на основе методов многомерного дискриминантного анализа, в частности метод Альтмана. Выявлено его недостатки и нецелесообразность использования в условиях экономики Украины, поскольку он базируется на использовании достоверной информации о состоянии предприятий. Поэтому в работе обосновано использование для прогнозирования риска банкротства в условиях неполноты и неопределенности нечетких нейронных сетей (ННС) с выводами Мамдани и Цукамото. В дисертации разработана база правил для решения задачи анализа финансового состояния и прогнозирования риска банкротства предприятий в условиях неопределенности для нейросетей Мамдани и Цукамото. Поскольку общий размер полной базы нечетких правил большой, что не дает возможности ее обучения за короткое время, предложен способ сокращения размеров базы правил и ее наглядное представление путем использования балльных оценок. Разработаны алгоритмы прогнозирования риска банкротства предприятий с использованием ННС Мамдани и Цукамото. Далее в работе рассмотрены каскадные нео-фаззи сети для прогнозирования риска банкротства предприятий в условиях неопределенности. Их особенностями является отсутствие базы правил вывода, а также то, что функции принадлежностей фиксированные и не нуждаются в обучении, обучаются лишь линейные параметры – веса связей ННС. Поэтому эти сети имеют ускоренную сходимость обучения в сравнении с ННС Мамдани и Цукамото. Проведены экспериментальные исследования предложенных моделей и алгоритмов для прогнозирования риска банкротства предприятий Украины и сравнительный анализ с классическими методами. Результаты экспериментов показали, что точность прогнозирования риска банкротства составляет методом Альтмана - 68-70%, матричным методом - 80%, нео-фаззи каскадной нейросетью - 87%, а ННМ Мамдани и Цукамото -88-90 %. В работе также была исследована проблема прогнозирования риска банкротства в банковской сфере Украины в условиях неопределенности. Для решения этой проблемы предложено использование ННС TSK и ANFIS. Проведены экспериментальные исследования эффективности использования ННС для прогнозирования риска банкротства банков и сравнение со статистическими моделями ARIMA, logit-model и probit–model, а также с нечетким МГУА. В результате экспериментов установлено, что самую большую точность прогнозирования обеспечивает использование ННМ TSK (2%) и нечеткий МГУА (4%), тогда как статистические модели имеют точность: logit-model - 16%, probit–model - 14% и ARIMA - 18%. В процессе экспериментов были также определены адекватные финансово-экономические показатели банков для прогнозирования риска банкротства.

Стилі APA, Harvard, Vancouver, ISO та ін.

Heinrich, Kenneth. "FLoRa ein auf Fuzzy-Logik basierender Beitrag zur ganzheitlichen Bewertung und transparenteren Verrechnung von Rüstaufwänden beim Verpacken automobiler Ersatzteile ; verdeutlicht am Beispiel des Automotive Aftermarket der Robert-Bosch-GmbH." Aachen Shaker, 2009. http://d-nb.info/997951206/04.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Heinrich, Kenneth [Verfasser]. "FLoRa. Ein auf Fuzzy Logik basierender Beitrag zur ganzheitlichen Bewertung und transparenteren Verrechnung von Rüstaufwänden beim Verpacken automobiler Ersatzteile : Verdeutlicht am Beispiel des Automotive Aftermarket der Robert Bosch GmbH / Kenneth Heinrich." Aachen : Shaker, 2009. http://d-nb.info/1159836744/34.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Steinebach, Mario, Alexander Friebel, Christine Häckel-Riffler, Volker Tzschucke, Wolfram Dötzel, Egon Müller, Thomas Gäse, et al. "TU-Spektrum "Sonderausgabe Auto & Verkehr" 2004, Magazin der Technischen Universität Chemnitz." Universitätsbibliothek Chemnitz, 2004. http://nbn-resolving.de/urn:nbn:de:swb:ch1-200400909.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Частини книг з теми "Fuzzy GMDH"

Saha, Apu K., Deepjyoti Deb, and Prachi D. Khobragade. "Power Allocation in an Educational Institute in India: A Fuzzy-GMDH Approach." In Water and Energy Management in India, 221–39. Cham: Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-66683-5_11.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Zgurovsky, Michael Z., and Yuriy P. Zaychenko. "Deep Neural Networks and Hybrid GMDH-Neuro-fuzzy Networks in Big Data Analysis." In Studies in Big Data, 43–95. Cham: Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-14298-8_2.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Du, Wenli, and Feng Qian. "Optimization of PTA Crystallization Process Based on Fuzzy GMDH Networks and Differential Evolutionary Algorithm." In Lecture Notes in Computer Science, 631–35. Berlin, Heidelberg: Springer Berlin Heidelberg, 2005. http://dx.doi.org/10.1007/11539117_90.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Bodyanskiy, Yevgeniy, Yuriy Zaychenko, Olena Boiko, Galib Hamidov, and Anna Zelikman. "Structure Optimization and Investigations of the Hybrid GMDH-Neo-fuzzy Neural Networks in Forecasting Problems." In Studies in Computational Intelligence, 209–28. Cham: Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-030-94910-5_12.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Bodyanskiy, Yevgeniy, Olena Vynokurova, and Oleksii Tyshchenko. "Hybrid Wavelet-Neuro-Fuzzy Systems of Computational Intelligence in Data Mining Tasks." In Handbook of Research on Machine Learning Innovations and Trends, 787–825. IGI Global, 2017. http://dx.doi.org/10.4018/978-1-5225-2229-4.ch035.

Повний текст джерела

Анотація:

This work is devoted to synthesis of adaptive hybrid systems based on the Computational Intelligence (CI) methods (especially artificial neural networks (ANNs)) and the Group Method of Data Handling (GMDH) ideas to get new qualitative results in Data Mining, Intelligent Control and other scientific areas. The GMDH-artificial neural networks (GMDH-ANNs) are currently well-known. Their nodes are two-input N-Adalines. On the other hand, these ANNs can require a considerable number of hidden layers for a necessary approximation quality. Introduced Q-neurons can provide a higher quality using the quadratic approximation. Their main advantage is a high learning rate. Universal approximating properties of the GMDH-ANNs can be achieved with the help of compartmental R-neurons representing a two-input RBFN with the grid partitioning of the input variables' space. An adjustment procedure of synaptic weights as well as both centers and receptive fields is provided. At the same time, Epanechnikov kernels (their derivatives are linear to adjusted parameters) can be used instead of conventional Gauss functions in order to increase a learning process rate. More complex tasks deal with stochastic time series processing. This kind of tasks can be solved with the help of the introduced adaptive W-neurons (wavelets). Learning algorithms are characterized by both tracking and smoothing properties based on the quadratic learning criterion. Robust algorithms which eliminate an influence of abnormal outliers on the learning process are introduced too. Theoretical results are illustrated by multiple experiments that confirm the proposed approach's effectiveness.

Стилі APA, Harvard, Vancouver, ISO та ін.

Mohanty, Ramakanta, V. Ravi, and M. R. Patra. "Application of Machine Learning Techniques to Predict Software Reliability." In Machine Learning, 354–70. IGI Global, 2012. http://dx.doi.org/10.4018/978-1-60960-818-7.ch301.

Повний текст джерела

Анотація:

Стилі APA, Harvard, Vancouver, ISO та ін.

Du, Wenli, Zhiming Liu, Feng Qian, Mandan Liu, and Kai Zhang. "4-CBA online soft-measurement via fuzzy GMDH networks." In Computer Aided Chemical Engineering, 1268–73. Elsevier, 2003. http://dx.doi.org/10.1016/s1570-7946(03)80484-4.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Тези доповідей конференцій з теми "Fuzzy GMDH"

Bodyanskiy, Yevgeniy, Olena Boiko, Yuriy Zaychenko, and Galib Hamidov. "Evolving Hybrid GMDH-Neuro-Fuzzy Network and its Applications." In 2018 IEEE First International Conference on System Analysis & Intelligent Computing (SAIC). IEEE, 2018. http://dx.doi.org/10.1109/saic.2018.8516755.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Hengjun Zhao, Changzheng He, and Zhen Ye. "Fuzzy Clustering-Based GMDH Model to Feature Selection in Customer Analysis." In 2008 International Seminar on Business and Information Management (ISBIM 2008). IEEE, 2008. http://dx.doi.org/10.1109/isbim.2008.116.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Bodyanskiy, Yevgeniy, Olena Boiko, Yuriy Zaychenko, and Galib Hamidov. "Evolving GMDH-neuro-fuzzy system with small number of tuning parameters." In 2017 13th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD). IEEE, 2017. http://dx.doi.org/10.1109/fskd.2017.8392957.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Chen, Hong, and Senfa Chen. "A Fuzzy GMDH Network and its Application in Traffic Flow Forecasting." In 2009 International Joint Conference on Artificial Intelligence (JCAI). IEEE, 2009. http://dx.doi.org/10.1109/jcai.2009.37.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Ho Sung Park, Sung Kwun Oh, Tae Chon Ahn, and W. Pedrycz. "A study on multi-layer fuzzy polynomial inference system based on an extended GMDH algorithm." In Proceedings of 8th International Fuzzy Systems Conference. IEEE, 1999. http://dx.doi.org/10.1109/fuzzy.1999.793265.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Hwang, Heung-Suk, Suk-Tae Bae, and Gyu-Sung Cho. "Container Terminal Demand Forecasting Framework Using Fuzzy-GMDH and Neural Network Method." In Second International Conference on Innovative Computing, Informatio and Control (ICICIC 2007). IEEE, 2007. http://dx.doi.org/10.1109/icicic.2007.225.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Zaychenko, Yuriy, and Galib Hamidov. "The Hybrid Deep Learning GMDH-neo-fuzzy Neural Network and Its Applications." In 2019 IEEE 13th International Conference on Application of Information and Communication Technologies (AICT). IEEE, 2019. http://dx.doi.org/10.1109/aict47866.2019.8981725.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Bodyanskiy, Yevgeniy, Olena Boiko, Yuriy Zaychenko, Galib Hamidov, and Anna Zelikman. "The Hybrid GMDH-Neo-fuzzy Neural Network in Forecasting Problems in Financial Sphere." In 2020 IEEE 2nd International Conference on System Analysis & Intelligent Computing (SAIC). IEEE, 2020. http://dx.doi.org/10.1109/saic51296.2020.9239152.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Qin, Yechen, Reza Langari, and Liang Gu. "The Use of Vehicle Dynamic Response to Estimate Road Profile Input in Time Domain." In ASME 2014 Dynamic Systems and Control Conference. American Society of Mechanical Engineers, 2014. http://dx.doi.org/10.1115/dscc2014-5978.

Повний текст джерела

Анотація:

A new method for road profile estimation in time domain with the application of vehicle system response was presented in this paper, and the problem was transformed as a system identification issue for an inverse nonlinear quarter vehicle model. Firstly, the inverse vehicle dynamic model was trained with specifically chosen white noise signal, and then eight different types of membership functions (MF) for Adaptive Neuro Fuzzy Inference System (ANFIS) were compared. Finally, the comparison of three different methods: ANFIS, Recursive Least Square (RLS) and Group Method of Data Handling (GMDH) were researched with different vehicle speeds and different road levels in the simulation part. The results showed that ANFIS is better in comparison with RLS and GMDH and this method can be further applied for vehicle system analysis.

Стилі APA, Harvard, Vancouver, ISO та ін.

Menezes, Rafael Abud, and Julio Cesar Nievola. "RCMDE-GMD: Predicting gene ontology terms using differential evolution." In 2014 11th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD). IEEE, 2014. http://dx.doi.org/10.1109/fskd.2014.6980888.

Повний текст джерела

Стилі APA, Harvard, Vancouver, ISO та ін.

Ми пропонуємо знижки на всі преміум-плани для авторів, чиї праці увійшли до тематичних добірок літератури. Зв'яжіться з нами, щоб отримати унікальний промокод!