مقاله توسعه الگوریتم درخت مدل خطی محلی (LOLIMOT) با استفاده از یک تابع اعتبار فازی مبتنی بر کلونی مورچه برای پیش بینی سریهای زمانی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله توسعه الگوریتم درخت مدل خطی محلی (LOLIMOT) با استفاده از یک تابع اعتبار فازی مبتنی بر کلونی مورچه برای پیش بینی سریهای زمانی دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله توسعه الگوریتم درخت مدل خطی محلی (LOLIMOT) با استفاده از یک تابع اعتبار فازی مبتنی بر کلونی مورچه برای پیش بینی سریهای زمانی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله توسعه الگوریتم درخت مدل خطی محلی (LOLIMOT) با استفاده از یک تابع اعتبار فازی مبتنی بر کلونی مورچه برای پیش بینی سریهای زمانی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله توسعه الگوریتم درخت مدل خطی محلی (LOLIMOT) با استفاده از یک تابع اعتبار فازی مبتنی بر کلونی مورچه برای پیش بینی سریهای زمانی :

تعداد صفحات:۱۰

چکیده:

تحلیل سریهای زمانی خصوصا سریهای زمانی آشوبی کاربردهای بسیاری در زندگی روزمره دارد زیرا بسیاری از دادههایی که حاصل مشاهدات ما از وقایع روزمره هستند از ساختاری شبیه به سریهای زمانی پیروی میکنند. در سالهای اخیر روشهای بسیاری برای پیش بینی سریهای زمانی معرفی شدهاند که در این میان استفاده از شبکههای عصبی و ساختارهای فازی بسیار مورد توجه واقع شده است. نمونهای از این مدلها مدل فازی عصبی خطی محلی تاکاگی-سوگنو همراه با یک الگوریتم یادگیری درخت مدل خطی محلی(LOLIMOT)است. از طرف دیگر الگوریتمهای مبتنی بر کلونی مورچه یا بهینهسازی مورچه (ACO)کاربردهای موفقی در بسیاری از مسائل بهینهسازی داشتهاند. یک الگوریتم کلونی مورچه یک روش ابتکاری و کاشفانه است که برگرفته از رفتار کلونیهای طبیعی مورچههاست و در بسیاری از مسائل با پیچیدگی زمانی غیر چند جملهای کارایی خوبی از خود نشان دادهاند. در این مقاله کوشیده ایم با نگاهی به مدلهای فازی عصبی خطی محلی و الگوریتمهای کلونی مورچه یک تابع اعتبار مبتنی بر این الگوریتمها جهت استفاده در مدل فازی عصبی و الگوریتم درخت مدل خطی محلیLOLIMOT ارائه کنیم. نتایج شبیهسازی حاکی است که کارایی نسخه جدید الگوریتم LOLIMOT از نظر شاخص خطای کل پیش بینی بهتر از الگوریتم اولیه است.