Аналіз та порівняння підходів до нейро-нечіткого прогнозування
Вантажиться...
Файли
Дата
Автори
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
Проведено аналіз та порівняння підходів до нейро-нечіткого прогнозування. Визначено основні характеристики та особливості моделей ANFIS, TSK та ANFIS-CMAC. Розглянуто архітектуру, принцип роботи та методи навчання кожної моделі. Проведено порівняльний аналіз їх ефективності та застосування в різних галузях.
The approaches to neuro-fuzzy forecasting are analyzed and compared. The main characteristics and features of the ANFIS, TSK and ANFIS-CMAC models are determined. The architecture, operating principle and training methods of each model are considered. A comparative analysis of their efficiency and application in various industries is carried out.
The approaches to neuro-fuzzy forecasting are analyzed and compared. The main characteristics and features of the ANFIS, TSK and ANFIS-CMAC models are determined. The architecture, operating principle and training methods of each model are considered. A comparative analysis of their efficiency and application in various industries is carried out.
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
978-617-8163-14-3
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Ліщук А. Р. Аналіз та порівняння підходів до нейро-нечіткого прогнозування // Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2024)», Вінниця, 11-20 травня 2024 р. Електрон. текст. дані. 2024. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2024/paper/view/20173.
Зібрання
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (3)
- Salleh, M.N.M., Talpur, N., Hussain, K. (2017). Adaptive Neuro-Fuzzy Inference System: Overview, Strengths, Limitations, and Solutions. In: Tan, Y., Takagi, H., Shi, Y. (eds) Data Mining and Big Data. DMBD 2017.
- X. Gu, F. -L. Chung and S. Wang, "Bayesian Takagi–Sugeno–Kang Fuzzy Classifier," in IEEE Transactions on Fuzzy Systems, vol. 25, no. 6, pp. 1655-1671, Dec. 2017.
- Mohammad Fazle Azeem, Fuzzy Intrface System – Theory and Applications, Croatia, Rijeka: InTech, 2012, pages 421-443.