پژوهش

موضوعات پژوهشی اخیر

-بهینه سازی اوزان فازی نوع 2 در یادگیری پس انتشار برای شبکه های عصبی با استفاده ازMOPSO

ریشه این مقاله بهینه سازی سیستم های استنتاج فازی نوع 2 با استفاده از الگوریتم بهینه سازی چند هدفه ازدحام ذره (MOPSO) ارائه شده است.بهینه سازی سیستم های استنتاج فازی نوع 2 بااستفاده از برآورد اوزان فازی نوع 2 شبکه های عصبی پس انتشاراست.  نتایج شبیه سازی و مقایسه نسبی در میان شبکه های عصبی با اوزان فازی نوع 2 ومقایسه بدون بهینه سازی سیستم های استنتاج فازی نوع 2 ، شبکه های عصبی با اوزان فازی نوع 2 وبهینه سازی با استفاده از الگوریتم Mopso و شبکه های عصبی با اوزان فازی نوع 2 جهت ارائه و نشان دادن مزایای استفاده از روش های عامیانه الهام گرفته شده است.مطالعه براساس یک معیار پیش بینی شده، در سری زمانی Mackey-Glass (برای چهار تاخیر t=17 ) است.

Optimization of type-2 fuzzy weights in backpropagation learning for neural networks In this paper, the problem of Type-2 Fuzzy

Inference System’s optimization using Multi-Objective Particle Swarm Optimization (MOPSO) algorithm is presented. In order to optimize the type-2 fuzzy inference systems, we use the type-2 fuzzy weights of back-propagation neural networks. Comparing the results of the neural networks with type-2 fuzzy weights without optimization of the type-2 fuzzy inference systems, the neural networks with optimized type-2 fuzzy weights using the MOPSO algorithm, and the neural networks with type-2 fuzzy weights, we show that the bio-inspired methods have the superior performance. The comparative study is based on the Mackey-Glass time series problem for = 17.
Keywords: type-2 fuzzy, neural network, time series, MOPSO algorithm.
.
.

ارائه های برتر

پروژهای برتر دانشجویان در این بخش قرار میگیرد