در این مقاله، بر اساس تئوری موجک و تئوری مجموعه فازی، یک شبکه موجک فازی جهت تقریب زدن ورودی کنترل خطی سازی با فیدبک پیشنهاد می گردد. هر قانون فازی در ارتباط با یک زیر- شبکه عصبی موجک، شامل موجکهایی با یک پارامتر مقیاس می باشد. در خروجی شبکه، میزان دخالت هر زیر- شبکه عصبی موجک قابل انعطاف است. قوانین ساخته شده توسط شبکه قابل تنظیم هستند. این قابلیت از طریق آموزش پارامترهای شیفت موجکهای انتخاب شده و تنظیم شکل توابع عضویت گوسی محقق می گردد. شبکه موجک فازی پیشنهاد شده دارای صحت تقریب زنی بالا و سرعت همگرایی سریع می باشد. در انتهای مقاله، شبکه ارایه شده برای یک سیستم غیر خطی پاندول معکوس جهت نشان دادن خواص و قدرت شبکه، شبیه سازی شده و نتایج ارایه گردیده است.

هدف پژوهش حاضر مقایسه قدرت پیش بینی روش های شبکه عصبی فازی با شبکه عصبی موجک فازی در پیش بینی قیمت سهام بانک ها در بورس اوراق بهادار تهران است. دوره پژوهش این پژوهش از سال 1390 تا 1395 است. در این پژوهش، از سیستم منطق فازی به همراه سیستم شبکه عصبی چندلایه با ساختار بهینه سازی پس انتشار خطا و ماکزیمم همپوشانی تبدیل موجک گسسته برای متغیرهای نرخ ارز، نفت اوپک، طلا، شاخص کل سهام و همچنین حجم معاملات برای پیش بینی قیمت سهام استفاده شده است. نتایج حاصل از مدل با استفاده از تابع هزینه بروز رسانی شده انجام گرفته است. نتایج پژوهش در مقایسه شبکه عصبی فازی موجک و شبکه عصبی فازی نشان می دهد که قابلیت اطمینان پیش بینی قیمت سهام بانک ها با شبکه عصبی موجک فازی بالای 90 درصد و با شبکه عصبی فازی بالای 80 درصد است. درنتیجه شبکه عصبی موجک فازی باقابلیت اطمینان بالاتری نسبت به شبکه عصبی فازی عمل می کند.

همواره مدل سازی و پیش بینی متغیرهای مالی یکی از موضوع های مورد علاقه و مهم برای اقتصاددانان بوده است. در این مقاله، ساختاری برای پیش بینی سری های زمانی ارایه شده است که با استفاده از رویکرد محاسبات نرم این امکان را فراهم می آورد تا بتوان با دقت بیشتر مقادیر آینده یک سری زمانی را پیش بینی کرد. در این روش، با استفاده از تجزیه موجک، نویز های تصادفی داده های ورودی شبکه عصبی فازی تطبیقی کاهش می یابد و ازاین رو، این عمل باعث کاهش خطا و بهبود در پیش بینی سری زمانی آشوبی موردنظر می شود. در این مقاله، روش یادشده با استفاده از سری بازده بورس اوراق بهادار تهران در بازه زمانی 8/1/1390 تا 1/07/1395 مورد ارزیابی قرار گرفته که نتایج بیان کننده برتری روش پیشنهادی نسبت به سایر روش هاست. همچنین معنا داری اختلاف در پیش بینی مدل های مختلف با استفاده از آزمون MGN مورد بررسی قرار گرفت که نتایج نشان دهنده اختلاف معنا دار در پیش بینی مدل های مختلف بود.

در سال های اخیر باتوجه به مشکل کمبود منابع آبی، مسئله استفاده و مدیریت بهینه این منابع اهمیت خاصی پیدا کرده است. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه آنها، لازم است پیش بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. امروزه مدل-های مختلفی در پیش بینی نوسانات سطح آب زیرزمینی ارائه شده که می توانند به استفادة پایدار از آب های زیرزمینی به منظور تأمین نیازهای شهری، کشاورزی و صنعتی کمک کنند. ازاین رو توجه خاصی به مدل های هوشمند شده است که می توان به مدل های سری زمانی، آنالیز موجک، شبکه های عصبی مصنوعی، مدل های ماشین بردار پشتیبان و غیره اشاره نمود. در این پژوهش از مدل تلفیقی موجک - عصبی فازی برای پیش بینی سطح آب زیرزمینی در دشت بیرجند بهره گرفته شد. در نهایت نتایج به دست آمده با نتایج مدل موجک و شبکه عصبی فازی مقایسه گردید. داده های مورد استفاده در این تحقیق شامل بارندگی، تبخیر، حداکثر درجه حرارت، متوسط درجه حرارت، حداقل رطوبت و تراز سطح آب زیرزمینی برای تعداد 16 پیزومتر به مدت 18 سال آماری است که به صورت ماهیانه اندازه-گیری شده اند. نتایج به دست آمده نشان داد که مدل ترکیبی موجک - عصبی فازی با توجه میزان ضریب میانگین مربعات خطا 19/0 RMSE= و ضریب نش ساتکلیف 95/0 NS= نسبت به سایر مدل ها از دقت بالاتری در پیش بینی سطح آب زیرزمینی برخوردار است. مدل موجک عصبی فازی به دلیل ترکیب و ادغام ویژگی های مفید تبدیل موجک، شبکه های عصبی و سیستم های فازی، نه تنها دقت پیش بینی را افزایش می دهد بلکه می تواند نگرش جامع تری به داده ها دهد.

در این مقاله، یک روش جدید مبتنی بر شبکه های موجک فازی (FWN)، برای طراحی پایدارساز سیستم قدرت (PSS) به منظور میرا کردن نوسان های فرکانس پایین سیستم قدرت ارائه شده است. شبکه موجک فازی که از تئوری موجک و مفاهیم فازی الهام گرفته شده است، برای طراحی همزمان دو پایدارساز سیستم قدرت به کار رفته است، که در آن، خطای بین خروجی مطلوب سیستم و خروجی واقعی به منظور آموزش پارامترهای شبکه موجک فازی استفاده استفاده می شود. الگوریتم حداقل مربعات متعامد (OLS) برای تعیین ابعاد شبکه، غربال کردن موجک ها به منظور انتخاب موجک های موثر، تعیین تعداد زیرشبکه های عصبی موجک و قوانین فازی استفاده شده است. همچنین در این مقاله، از الگوریتم جهش قورباغه های به هم آمیخته (SFL) به منظور آموزش پارامترهای شبکه موجک فازی و یافتن مقادیر بهینه پارامترهای پایدارساز استفاده شده است. به منظور نشان دادن قابلت و توانایی روش پیشنهادی، مطالعات عددی بر روی یک سیستم تست 2- ناحیه -4 ماشین ارائه شده است. همچنین به منظور نشان دادن مقاوم بودن پایدارسازهای طراحی شده دو نوع خطای سه فاز و تک فاز به سیستم اعمال شده است. و نیز به منظور انجام یک مقایسه دو پایدارساز کلاسیک با ساختار پیشفاز، پسفاز طراحی شده اند که پارامترهای آنها با استفاده از الگوریتم SFL تنظیم شده است. نتایج شبیه سازی قابلیت و برتری پایدارسازهای طراحی شده مبتنی بر شبکه موجک را نشان می دهند.

در این مقاله، یک الگوریتم یادگیری ترکیبی جدید برای طراحی شبکه های موجک فازی به منظور تقریب توابع، کنترل و شناسایی سیستم های غیر خطی ارائه شده است. الگوریتم پیشنهادی مبتنی بر الگوریتم حداقل مربعات متعامد (OLS)، الگوریتم جهش قورباغه ای بهم آمیخته (SFL) و روش حداقل مربعات بازگشتی (RLS) می باشد. الگوریتم حداقل مربعات متعامد جهت تعیین ابعاد شبکه، غربال کردن موجک ها به منظور انتخاب موجکهای موثر و تعیین تعداد قوانین فازی استفاده می شود. بدین ترتیب با انتخاب موجکهای موثر بر اساس داده های آموزشی شبکه موجک فازی ساخته شده و مقادیر اولیه پارامترهای شبکه تعیین می شوند. سپس پارامترهای خطی و غیر خطی شبکه به ترتیب با استفاده از روش حداقل مربعات بازگشتی و الگوریتم جهش قورباغه ها تنظیم می گردند. برای نشان دادن قابلیت و توانایی روش پیشنهادی، نتایج شبیه سازی در طی چند مثال برای تقریب تابع، کنترل و شناسایی سیستم های غیر خطی آورده شده است. همچنین، نتایج به دست آمده از این روش با نتایج روش های گزارش شده در مقالات دیگر نیز مقایسه شده است. نتایج شبیه سازی نشان می دهند که روش پیشنهادی مقاله، ضمن استفاده از تعداد قانون فازی کمتر، صحت تقریب و شاخص عملکرد مدل را بهبود بخشیده و از عملکرد بهتری برای سیستم های مورد مطالعه، در مقایسه با سایر روشها، برخوردار است.

پیش بینی مولفه های باد از جمله سرعت باد یکی از عوامل مهم به خصوص در بحث تبخیر در یک حوزه آبخیز محسوب می گردد. در این مقاله سعی گردید، جهت افزایش کارایی مدل های هوش مصنوعی، در پیش بینی سرعت باد، دو مدل شبکه عصبی و فازی-عصبی با تئوری موجک ترکیب شده و دو مدل هیبرید جدید ارائه گرد د. در این تحقیق با استفاده از برخی پارامتر های اقلیمی ایستگاه همدیدی یزد از جمله سرعت باد، دمای متوسط، دمای بیشینه، رطوبت نسبی و تبخیر، سرعت باد در مقیاس ماهانه برآورد گردید و سپس کارایی دو مدل های هیبرید شبکه عصبی موجکی و شبکه فازی-عصبی موجکی با مدل های شبکه عصبی و فازی-عصبی در پیش بینی سرعت باد 12 ماه آینده مورد مقایسه قرار گرفت. در نهایت جهت تائید کارایی بهترین مدل، با استفاده از پارامتر های اقلیمی موثر سال 1383 سرعت باد در سال 1384 پیش بینی گردید. نتایج بدست آمده در مرحله ارزیابی مدل ها، تفاوت قابل ملاحظه عملکرد بهتر شبکه های عصبی موجکی و فازی-عصبی موجکی را نسبت به مدل های شبکه عصبی و فازی-عصبی نشان دادند. شایان ذکر است در مرحله ارزیابی، کارایی بالای شبکه های فازی-عصبی موجکی، برتری این مدل را نسبت به سایر مدل ها به اثبات رسانید.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.