整合資訊擴散技術之適應性類神經模糊推論系統

Translated title of the thesis: Integrating the Mega-Trend-Diffusion Technique with the Adaptive Network-Based Fuzzy Inference System
  • 曾 國立

Student thesis: Master's Thesis

Abstract

不同於以往大多數針對確定性資料的學習方法，自模糊集合理論發表後，使得如人類語意之不確性資料獲得學習的可能。模糊推論系統(FIS)基於此開發使得不確定性資料獲得系統性的學習，然其需藉由調整參數組的方式以獲取最佳學習結果，而此參數組包含前部件以及後部件，其中前部件參數包含輸入屬性之隸屬函數(MF)數量、以及描述其形狀與值域的參數值，而後部件參數則為依據前部件之修訂結果所建構之線性模式係數。Jang則於1993年提出結合類神經網路(ANN)之疊代學習法修訂FIS之參數組，稱為適應性類神經模糊推論系統(ANFIS)。雖ANFIS可藉由ANN取得最優之前部件參數而獲得最優結果，然初始前部件參數之MF設定值亦會影響其最終結果。此外，在分類問題上，MF之個數可依據輸出屬性之可能類別值數量決定，然在數值預測問題上，卻無法確切決定此數量。因此本研究提出一個系統性的流程以決定此初始前部件的參數設定，首先使用模糊C-means分群法搭配模糊側影係數決定最適分群數為MF數量，再使用整體趨勢擴散技術對此時樣本分群結果進行模糊MF之參數值推估。實驗階段，本研究藉由從面板產業取得之實務資料進行測試，其結果顯示確能有效改善ANFIS對於數值預測問題之預測準確度。
Date of Award2014 Jul 22
Original languageChinese
SupervisorDer-Chiang Li (Supervisor)

Cite this

'