بررسی روش های پیش بینی هوشمند دما

بررسی روش های پیش بینی هوشمند دما
بررسی روش های پیش بینی هوشمند دما
90,000 ریال 
تخفیف 15 تا 30 درصدی برای همکاران، کافی نت ها و مشتریان ویژه _____________________________  
وضعيت موجودي: موجود است
تعداد:  
افزودن به ليست مقايسه | افزودن به محصولات مورد علاقه

تعداد صفحات : 110 صفحه _ فرمت word_ دانلود مطالب بلافاصله پس از پرداخت آنلاین

    
موضوع:
پیش بینی دما با استفاده از روش های هوشمند

مقدمه    1
فصل يکم -  منطق فازی و ریاضیات فازی
1-1- منطق فازی    2
1-1-1-    تاریخچه مختصری از منطق فازی    2
1-1-2-  آشنایی با منطق فازی    4
1-1-3-  سیستم های فازی 7
1-1-4-  نتیجه گیری 10
1-2-  ریاضیات فازی    11
1-2-1- مجموعه های فازی    11
1-2-2- مفاهیم مجموعه های فازی    14
1-2-3- عملیات روی مجموعه های فازی    14
1-2-4- انطباق مجموعه های فازی   19
1-2-5- معیار های امکان و ضرورت    19
1-2-6- روابط فازی    21
1-2-6-1- رابطه ی هم ارزی فازی    23
1-2-6-2- ترکیب روابط فازی    23
1-2-7- منطق فازی    24
1-2-7-1- عملیات منطقی و مقادیر درستی فازی    25
1-2-7-2- کاربرد مقادیر درستی فازی    27
1-2-8- نتیجه گیری    27
فصل دوم-  الگوریتم ژنتیک   
2-1-  چکیده    28
2-2- مقدمه 29
2-3- الگوریتم ژنتیک چیست؟    32
2-4-  ایده اصلی الگوریتم ژنتیک    35
2-5-  الگوریتم ژنتیک    37
2-6- سود و کد الگوریتم    38
2-7- روش های نمایش    39
2-8- روش های انتخاب    40
2-9-  روش های تغییر    41
2-10-  نقاط قوت الگوریتم های ژنتیک    42
2-11-  محدودیت های GA ها    43
2-12-  چند نمونه از کاربردهای الگوریتم های ژنتیک    43
2-13- نسل اول    45
2-14-  نسل بعدی    46
2-14-1- انتخاب    47
2-14-2- تغییر از یک نسل به نسل بعدی(crossover)    47
2-14-3- جهش (mutation)    48
2-15- هایپر هیوریستیک    48
فصل سوم-  بررسی مقالات   
3-1- یک روش رویه‌‌‌ای پیش بینی دمای هوای شبانه  برای پیش بینی یخبندان   
3-1-1- چکیده    51
3-1-2- مقدمه 51
3-1-3- روش شناسی    53
3-1-3-1- مجموعه اصطلاحات    53
3-1-3-2-نگاه کلی    53
3-1-3-3-  یادگیری    54
3-1-3-4- تولید پارامتر های ساختاری    55
3-1-3-5- پیش بینی    57
3-1-3-6- متناسب سازی ضعیف، متوسط و دقیق    59
3-1-4- نتایج    60
3-1-4-1- واقعه ی یخبندان شپارتون    64
3-1-4-2- بحث    65
3-1-5- نتیجه گیری    66
3-2- پیش بینی دما و پیش گویی بازار بورس بر اساس روابط منطق فازی و الگوریتم ژنتیک   
3-2-1-  چکیده 67
3-2-2- مقدمه    67
3-2-3- سری های زمانی فازی و روابط منطق فازی    69
3-2-4- مفاهیم اساسی و الگوریتم های ژنتیک      70
3-2-5- روش جدید پیش بینی دما و بازار بورس بر اساس روابط منطقی فازی و الگوریتم های ژنتیک    71
3-2-6- نتیجه گیری    93
3-3-پیش بینی روند دمای جهانی بر اساس فعالیت های خورشیدی پیشگویی شده در طول دهه های آینده   
3-3-1- چکیده 94
3-3-2- مقدمه    94
3-3-3- داده و روش بررسی    96
3-3-4- نتایج    99
3-3-5- نتیجه گیری    100

 

فهرست جدولها

جدول1-2-1- برخی از مفاهیم پایه ی مجموعه های فازی    14
جدول3-1-1- تاریخ اولین پیش بینی و خطای پیش بینی مربوطه    63
جدول3-2-1- داده های پیشین میانگین دمای روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان    72
جدول3-2-2- داده های قدیمی تراکم ابر های روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان    74
جدول3-2-3- جمعیت ابتدایی    78
جدول3-2-4-  میانگین دمای روزانه ی فازی شده و تراکم ابرهای روزانه فازی شده از 1 ام ژوئن تا30ام سپتامبر در تایوان بر اساس نخستین کروموزوم    79
جدول3-2-5- دو فاکتور مرتبه سوم روابط گروهی منطق فازی    80
جدول3-2-6- دمای پیش بینی شده و میانگین خطای پیش بینی بر اساس سریهای زمانی فازی مرتبه سوم    85
جدول3-2-7- درصد میانگین خطای پیش بینی برای مراتب مختلف بر اساس روشهای پیشنهادی    86
جدول3-2-8- درصد میانگین خطاهای پیش بینی برای پنجره های متفاوت بر اساس روشهای پیشنهادی    87
جدول3-2-9- داده های قدیمیTAIFEXو TAIEX    89
جدول3-2-10- خطای مربع حسابی برای مراتب مختلف روش پیشنهادی    89
جدول3-2-11- مقایسه مقادیر پیشبینیTAIFEXوخطاهای مربع حسابی برای روشهای مختلف پیش بینی    90

 

فهرست شکلها

شکل 1-1-1- طرز کار سیستم فازی    7
شکل 1-2-1- نمودار توابع فازی s، ذوزنقهای و گاما    13
شکل 1-2-2- مثال هایی از اجتماع، اشتراک و متمم دو تابع عضویت    16
شکل 1-2-3- برخی از عملگر های پیشنهاد شده برای اشتراک    17
شکل1-2-4- برخی از عملگر های پیشنهاد شده برای اجتماع    18
شکل 1-2-5- انطباق دو مجموعه فازی    19
شکل 1-2-6- نمایش معیار های امکان و ضرورت    20
شکل 1-2-7- مقادیر درستی فازی    25
شکل 2-1- منحنی    32
شکل 2-2- تاثیر الگوریتم ژنتیک بر کروموزوم های 8 بیتی    41
شکل3-1-1-تفاوت های تولید شده ی بین مشاهدات مرجع و مشاهداتی که زودتر در صف می آیند    54
شکل 3-1-2- مشاهدات هواشناسی به صف شده    55
شکل 3-1-3- دیاگرام درختی    58
شکل 3-1-4- توابع گاوس برای متناسب سازی ضعیف، متوسط و دقیق دمای هوا    59
شکل 3-1-5- هیستوگرام خطا های پیش بینی    61
شکل3-1-6- خطای میانه ماهیانه    61
شکل 3-1-7-خطای درصدی میانه ماهیانه    62
شکل 3-1-8-تراکم پیش بینی    63
شکل 3-1-9- ترسیم توزیعی دمای هوای مشاهده شده در مقابل 1 ساعت پیش بینی دمای هوا    64
شکل3-1-10- واقعه ی شپارتون، مشاهده و پیش بینی دماهای هوا    65
شکل 3-2-1- یک کروموزوم    74
شکل 3-2-2- توابع عضویت متناظر رن هایx کروموزوم های نشان داده شده در شکل3-2-1    76
شکل 3-2-3- توابع عضویت متناظر ژن هایy کروموزوم های نشان داده شده در شکل3-2-1    77
شکل 3-2-4- عملیاتcrossover دو کروموزوم    82
شکل3-2-5- عملیات جهش یک کروموزوم    84
شکل 3-2-6- بهترین کروموزوم برای پیش بینی میانگین دمای روزانه در ژوئن 1996    84
شکل 3-2-7- میانگین خطای پیش بینی روشهای پیشنهادی بر اساس سری های زمانی فازی مرتبه سوم    86
شکل 3-2-8- خطای مربع حسابی بر اساس سری های زمانی فازی مرتبه هفتم    91
شکل 3-3-1-پیکر بندی شبکه های عصبی منطقی فازی 96
شکل 3-3-2-  مقادیر مشاهده و پیش بینی شده ی ولف نو    98
شکل 3-3-3- مقادیر مشاهده و پیش بینی شده ی دمای غیر عادی جهان    98
فصل یکم :منطق فازی و ریاضیات فازی

 

منطق فازی

نظريه ي فازي براي اينکه موضوعات و مسائل پپچيده و بزرگ مقياس که شامل بازيابي اطلاعات مي‌باشند، قابل فهم باشد و بتوان با ظرفيت فکري اندک تصميمي معين گرفت، روشي قابل انعطاف و کلي که در قيد جزئيات کم اهميت نيست، ارائه مي‌دهد. اين روش از عهده‌ي موقعيتهاي اجتماعي و اقتصادي و محيط طبيعي که نيازمند تنوع و انعطاف است، برمي‌آيد.
به منظور ايجاد الگويي شبيه به پردازش عمومي اطلاعات هوشمندانه‌ي بشر، دانش و تجربه‌ي افراد باتجربه ومتخصصان مجرب به زبان طبيعي، وارد رايانه شده و عمليات منطقي به صورت اجمالي اجرا مي‌شوند و با استفاده از اين الگو، تحليل پيش برده مي‌شود و فعاليت‌هاي بشر يا پديده ها و اوضاع اجتماعي و بازرگاني مورد بررسي قرار مي‌گيرند. بيشتر روشهاي فازي که براي مديريت تکميل شده اند از اين روش بهره مي‌گيرند.
در اين فصل ابتدا تاريخچه اي از منطق فازي بيان مي شود و در ادامه با منطق فازي آشنا خواهيم شد. درآخرهم چگونگي کارکرد سيستم هاي فازي بررسي مي شود.
1-1-1-    تاريخچه ي مختصري از منطق فازي
دهه ي1960 آغاز نظريه فازي بود. نظريه‌ي فازي به وسيله پروفسور لطفي زاده در سال 1965 در مقاله اي به نام مجموعه هاي فازي معرفي شد. ايشان قبل از کار بر روي نظريه‌ي فازي، يک استاد برجسته در نظريه کنترل بود. او مفهوم "حالت" را که براساس نظريه‌ي کنترل مدرن را شکل مي‌دهد، توسعه داد. عسگرزاده در سال 1962 چيزي را بدين مضمون براي سيستمهاي بيولوژيک نوشت: "ما اساساً به نوع جديد رياضيات نيازمنديم؛ رياضيات مقادير مبهم يا فازي است که توسط توزيع هاي احتمالات قابل توصيف نيستند." وي فعاليت خويش در نظريه‌ي فازي را در مقاله اي با عنوان "مجموعه هاي فازي" تجسم بخشيد. مباحث بسياري در مورد مجموعه هاي فازي بوجودآمد و رياضيدانان معتقد بودند نظريه‌ي احتمالات براي حل مسائلي که نظريه‌ي فازي ادعاي حل بهتر آن را دارد، کفايت مي‌کند. دهه‌ي 1960 دهه‌ي چالش کشيدن و انکار نظريه‌ي فازي بود وهيچ يک از مراکز تحقيقاتي، نظريه‌ي فازي را به عنوان يک زمينه‌ي تحقيق جدي نگرفتند.
اما در دهه‌ي 1970، به کاربردهاي عملي نظريه‌ي فازي توجه شد و ديدگاه هاي شک برانگيز درباره‌ي ماهيت وجودي نظريه‌ي فازي مرتفع شد. استاد لطفي زاده پس از معرفي مجموعه هاي فازي در سال 1965، مفاهيم الگوريتم فازي را در سال 1968 تصميم گيري فازي را در سال 1970 و ترتيب فازي را در سال 1971 ارائه نمود. ايشان در سال 1973 اساس کار کنترل فازي را بنا کرد. اين مبحث باعث کنترل کننده هاي فازي براي سيستم‌هاي واقعي بود. ممداني و آسيليان چهارچوب اوليه‌اي را براي کنترل کننده فازي مشخص کرد. در سال 1978 هومبلاد و اوستگارد اولين کنترل کننده‌ي فازي را براي کنترل يک فرآيند صنعتي به کار بردند که از اين تاريخ به بعد، با کاربرد نظريه‌ي فازي در سيستم‌هاي واقعي، ديد شک برانگيز درباره‌ي ماهيت وجودي اين نظريه کاملاً متزلزل شد.
دهه‌ي 1980 از لحاظ نظري، پيشرفت کندي داشت، اما کاربرد منتطق فازي باعث دوام نظريه‌ي فازي شد. هيچ انديشيده‌ايد که کشورژاپن چرا گوي سبقت را در توليد لوازم الکترونيک هوشمند از ديگر همتايانش ربوده است؟ مهندسان ژاپني به سرعت دريافتند که کنترل کننده‌هاي فازي به سهولت قابل طراحي بوده و در مورد بسياري، مي توان از آنها استفاده کرد. به علت اينکه کنترل فازي به يک مدل رياضي نياز ندارد، مي توان آن را مورد بسياري از سيستم هايي که به وسيله‌ي نظريه‌ي کنترل متعارف قابل پياده سازي نيستند به کاربرد. سوگنو مشغول کار بروي ربات فازي شد، ماشيني که از راه دور کنترل مي‌شد و خودش به تنهايي عمل پارک را انجام مي‌داد. ياشونوبو و مياموتو از شرکت هيتاچي کار روي سيستم کنترل قطار زيرزميني را آغاز کردند. بالاخره در سال 1987 پروژه به ثمر رسيد و يکي از پيشرفته ترين سيستم‌هاي قطار زيرزميني را در جهان بوجود آورد. در دومين کنفرانس سيستم‌هاي فازي که در توکيو برگزار شد، درست سه روز بعد از افتتاح قطار زيرزميني، هيرو تا يک ربات فازي را به نمايش گذارد که پينگ پنگ بازي مي‌کرد، ياکاماوا نيز سيستم فازي را نشان داد که يک پاندول معکوس را در حالت تعادل نشان مي‌داد. پس از اين کنفرانس، توجه مهندسان، دولتمردان و تجار جلب شد وزمينه‌ي پيشرفت نظريه‌ي فازي فراهم شد.
دهه ي 1990، توجه محققان آمريکا و اروپا به سيستم‌هاي فازي موفقيت سيستم‌هاي فازي در ژاپن، مورد توجه محققان آمريکا و اروپا واقع شد و ديدگاه بسياري از محققان به سيستم‌هاي فازي تغيير کرد. در سال 1992 اولين کنفرانس بين الملي در مورد سيستم‌هاي فازي به وسيله‌ي بزرگترين سازمان مهندسي يعني IEEE برگزار شد. در دهه ي 1990 پيشرفت‌هاي زيادي در زمينه‌ي سيستم‌هاي فازي ايجاد شده؛ اما با وجود شفاف شدن تصوير سيستم‌هاي فازي هنوز فعاليت‌هاي بسياري بايد انجام شود و بسياري از راه حل‌ها و روش‌ها همچنان در ابتداي راه قرار دارد. بنابراين توصيه مي‌شود که محققان کشور با تحقيق در اين زمينه، موجبات پيشرفت‌هاي عمده در زمينه‌ي نظريه فازي را فراهم نمايند.
1-1-2-    آشنايي با منطق فازي
منطق فازي عبارتست از استدلال با مجموعه‌هاي فازي. حال اگر بخواهيم نظريه مجموعه هاي فازي را توضيح دهيم، بايد بگوئيم نظريه‌اي ست براي اقدام در شرايط عدم اطمينان. اين نظريه قادر است بسياري از مفاهيم، متغيرها و سيستم‌هايي را که نادقيق و مبهم هستند، صورت بندي رياضي ببخشد و زمينه را براي استدلال، استنتاج، کنترل و تصميم‌گيري درشرايط عدم اطمينان فراهم آورد. پرواضح است که بسياري از تصميمات و اقدامات بشر در شرايط عدم اطمينان است وحالات واضح و غيرمبهم بسيار نادر و کمياب مي‌باشند.
پيش از معرفي تئوري منطق فازي توسط پروفسور لطفي زاده در 1965 محققان زيادي به رفع پارادوکس‌هاي موجود در مسائل مطرح شده در علوم مختلف بر اثر محدوديت منطق دوگانه مشغول بودند، مانند پارادوکس wooger در علوم زيستي شناسي که در آن فرزندان بعضي از حيوانات به تيره خانواده‌اي متفاوت از والدينشان تعلق دارند، در حاليکه از نظر ژنتيکي چنين امري ممکن نيست و اين موضوع با منطق دوگانه‌ي مرسوم سازگاري نداشت. در اين راستا راسل  ابهام را جزئي از زبان دانست و يا Jan Lukasiewicz منطق سه ارزشي را مطرح کرد که در آن علاوه بر ارزشهاي False & True منطق ارزشي possible هم وجود داشت.
در منطق فازي به جاي دو ارزشي بودن، ما طيفي از ارزشها را درباره‌ي صفرو يک خواهيم داشت. با اين طيف مي‌توان عدم قطعيت را به خوبي نمايش داد. تمايز عمده منطق فازي با منطق چند ارزشي آن است که در منطق فازي مفهوم يک عبارت هم مي‌تواند مبهم باشد(مانند سردي هوا). در منطق فازي مي‌توانيم جملاتي را که معمولاً در مجاورت روزانه در تحليل مسائل استفاده مي‌کنيم از قبيل "کاملاً درست است"، "کم و بيش درست است"، "تا حدي نادرست است" و... را بکار بنديم. بطور کلي منطق‌ها بعنوان پايه‌ي برهان به 3 بخش متمايز مقادير درستي، عملگرها و فرآيند استدلال تقسيم مي‌شوند.
متغيرهاي زباني: پروفسور زاده در سال  1973 مي‌نويسد: "متغيرهاي زباني، متغيرهاي هستند که مقاديرشان اعداد نيستند، بلکه لغات يا جملات يک زبان طبيعي يا ساختگي هستند." اگر چه تئوري مجموعه‌هاي فازي فقط با مدل‌هاي رياضي سروکار دارد، ولي امکان مدل سازي لغات و عبارات يک زبان طبيعي را به کمک متغيرهاي زباني مي‌دهد. به طور کلي متغير به 2 دسته تقسيم مي‌شوند:
1)زباني: مانند کلمات و عبارات مربوط به يک زبان طبيعي.
2)عددي: که متغيرها داراي مقادير عددي هستند. يک متغير زباني در واقع يک عبارت زباني طبيعي است که به مقدار کميت خاص اشاره دارد و اصطلاحاً مانند مترجم عمل مي‌کند و به کمک تابع عضويت نشان داده مي‌شود مانند واژه "سرد" در جمله "هوا سرد است"، سردي، خود‌ متغيري است براي دماي هوا که مي‌تواند مقادير مختلفي به خود اختصاص دهد و در واقع يک تابع عضويت براي آن تعريف مي‌شود.
متغيرهاي زباني مي‌تواند از الحاق u=u1,u2,…,un تشکيل شوند که هرکدام از ui ها عبارتي تجزيه ناپذيرند، مانند "تا حدي سرد" ، که در مجموع به 4 دسته‌ي زير تقسيم مي‌شود:
1)عبارات اصلي: که به عنوان برچسبهايي براي مجموعه هاي فازي در نظر گرفته مي‌شوند و مانند "سرد" در عبارت بالا يا عباراتي از: کوتاه، بلند، ... که هر کدام تابع عضويت مخصوص به خود دارند.
2)حرف ربط: مانند و، يا، ... را دارند.
3)پيراينده: که روي عبارات اوليه اعمال شده و اثر تشديد يا تضعيف در مفهوم آن عبارت را به همراه دارد مانند تا حدي، اندکي، بسيار و...
4)حروف نشانه مانند پرانتز و...
تمامي پيراينده‌ها روي عبارات اصلي U به صورت u به توان P عمل مي‌کنند که   P  و اگر P=  شود آنگاه عبارت دقيق و غيرفازي حاصل مي‌شود و نشان مي‌دهد که هيچ ابهام و ترديدي وجود ندارد. اگر فرضاً متغير زباني "پير" را به عنوان ملاک ايجاد يک مجموعه‌ي فازي در نظر بگيريم آنگاه آن مجموعه به صورت زير خواهد بود:
پير={(3/0,45)و(5/0,50)و(8/0,55)و(9/0,60)و(1,70)و(1,75)}
عبارت "بسيار پير" = "پير به توان دو" يعني تمام درجات عضويت به توان 2 مي رسند که حاصل به صورت زير خواهد بود:
بسيار پير= {(9/0,45)و(25/0,50)و(64/0,55)و(8/0,60)و(1,60)و(1,75)}
و يا براي نمونه عملگري مثل "کم و بيش" که خاصيت تضعيف کنندگي مفهوم را با خود بدنبال دارد بصورت "کم و بيش پير"="پيربه توان  " .
کميت سنجهاي زباني: منطق کلاسيک دو نوع کميت سنج را به رسميت مي‌شناسد:  1)کميت سنج جامع؛ همه‌ي اشياء خصوصيت معيني دارند. 2)کميت سنج وجودي؛ حداقل يک شيء وجود دارد که خصوصيت معيني داشته باشد. اساساً، دو نوع کميت سنج فازي وجود دارد: 1)مطلق؛ تقريباً ، چندين و... 2)نسبي؛ بيشتر، معدود و ...
در ادامه مهمترين خصوصيات منطق فازي آمده است:
•    طبق منطق فازي، استدلال دقيق يا منطق معمولي حالت خاصي از استدلال تقريبي است.
•    هر سيستم منطقي قابل تبديل به منطق فازي است.
•    در منطق فازي دانش به عنوان مجموعه‌اي از محدوديت‌هاي فازي يا انعطاف پذير روي متغيرها در نظر گرفته مي‌شود.
•    استنتاج به عنوان فرآيند انتشار اين محدوديت‌ها در نظر گرفته مي‌شود.
•    در منطق فازي تمام مسائل داراي راه حلي هستند که درجه مطلوبيت(امکان)را نشان مي‌دهد.
1-1-3-    سيستم هاي فازي
در پردازش اطلاعات فازي، تفکر،دانش و تجربه‌ي بشر به صورت واژه وارد رايانه مي‌شوند و اين واژه‌ها به وسيله‌ي توابع عضويت(MF)تصوير مي‌شوند و به اين ترتيب عمليات ورود اطلاعات به رايانه‌هاي رقمي متعارف که قادر به استفاده از کميت هستند انجام مي‌گيرد.
از آنجائي که افراد بشر تفکر خود در مورد اشياء و پديده‌ها را با واژگان بيان مي‌کنند و چون واژه‌ها حاوي ابهام معنايي هستند(که نياز به تفکر دارند)در نظريه‌ي منطق فازي بر استفاده از اين ابهام تاکيد شده است.

 

راه حل،مقدار،واژگان بشري

سيستم‌هاي فازي، سيستم‌هاي مبتني بر دانش يا قواعد مي‌باشند، قلب يک سيستم فازي يک پايگاه دانش است که از قواعد اگر-آنگاه فازي تشکيل شده است. دراولين نگاه به اطراف خود به سادگي مي‌توانيد مجموعه‌اي از اين دستگاه ها و لوازم را در خانه و در محل کار خود بيابيد. بله، مخترع منطق نوين علمي که جهان صنعت را دگرگون کرد و در کنار منطق ديجيتالي در ساختمان دستگاههاي الکترونيکي، "منطق فازي" را به دنيا عرضه نمود، کسي نيست جز پروفسور لطفي زاده.
منطق فازي تعميمي از منطق دو ارزشي متداول است و درحاليکه در منطق دو دويي جايي براي واژه‌هايي همچون "کم"، "زياد"، "اندکي"، "بسيار"، ... که پايه‌هاي انديشه و استدلال هاي معمولي انسان را تشکيل مي دهند، وجود ندارد. روش پروفسور بر مبناي بکارگيري همين عبارات زباني است. به عنوان مثال مسئله‌ي رعايت فاصله با خودروي جلويي در هنگام رانندگي را در نظر مي‌گيريم، جهت تنظيم اين فاصله هنگام مواجه شدن با خودروي روبرو "اگر جاده لغزنده باشد، بايد فاصله را زياد کنيم "و"اگر سرعت خودرو کم باشد، مي‌توانيم فاصله را کم کنيم" و "اگر هوا تاريک باشد، فاصله را زياد مي‌کنيم" که غالباً هنگام رانندگي مکان اندازه گيري دقيق ميزان سرعت خودرو تاريکي جاده، لغزندگي جاده و نظير آن به منظور محاسبه مقادير فاصله مطلوب وجود ندارد، در نتيجه جهت طراحي سيستم ترمز موثر خودرو بر پايه منطق فازي، عباراتي مثل تاريکي کم يا زياد، سرعت کم يا زياد، لغزندگي کم يا زياد و... را به عنوان متغيرهاي ورودي و عباراتي همچون "فاصله ي کم يا زياد" را مشابه آنچه در مغز انسان براي تصميم گيري رخ مي- دهد را به عنوان متغير خروجي بکار مي بنديم. امروزه هيچ دستگاه الکترونيکي، از جمله وسايل خانگي، بدون کاربرد اين منطق در ساختار فني خود ساخته نمي‌شود. با منطق پروفسور لطفي زاده اين دستگاه ها هوشمند مي‌شوند. امروزه اروپايي‌ها، ژاپني‌ها و آمريکايي‌ها و همه‌ي کشورهاي پيشرو در علم و صنعت، پروفسور لطفي زاده را مي‌شناسند و از اهميت کار او در دانش مدرن بشري آگاهند. برخلاف آموزش سنتي در رياضي، پروفسور "زاده" در سال 1965 منطق انساني و زبان طبيعت را وارد رياضي کرد. مفهوم کلمه يا عبارت به تنهايي ممکن است واضح و روشن باشد، اما زمانيکه از آن بعنوان معياري در تعيين اعضاي يک مجموعه رياضي استفاده مي‌شود شايد نتوان بطور قاطع شئ را به آن نسبت داد و بالعکس به عنوان "کلمه سال" شناخته شد. با اين اوصاف:
الف)ما تا چه حد قادريم احساسات و تفکراتمان را بدون ابهام به مخاطبان خود انتقال دهيم و تا چه حد آن چيزي که بيان مي‌کنيم دقيقاً همان خواسته ذهني ما بوده است؟
ب)چقدر درک مخاطب از جمله‌ي ما، با آنچه که مقصود ما بوده همخواني داشته است؟
اين 2 سوال دو مفهوم متفاوت و در عين حال اساسي در مبحث فازي را بيان مي‌کند. بطور کلي براي برقراري ارتباط با محيط اطراف، ما از يک "زبان طبيعي" استفاده مي‌کنيم و از آنجا که قدرت تفکر همواره فراتر از توان پياده سازي آن با يک زبان است براي بسياري از مفاهيم ذهني معادل دقيق در دامنه‌ي لغات زبان وجود ندارد. براي سوال دوم هم بايد گفت که عوامل مختلفي دربرداشت و درک افراد از يک مفهوم مشخص اثرگذار است. فرضاً در عبارت " هواي سرد" با توجه به مکان زندگي، فرهنگ، حساسيت فرد به سرما و...تعابير مختلفي براي فرد از عبارت "سردي" قابل تعريف است که لزوماً با شخص ديگر در مکان ديگربرابر نيست، زيرا سردي هوا از نظر افراد مختلف داراي درجات متفاوتي است. کسي که در قطب زندگي مي‌کند دماي 15- را سرد مي‌داند در حالي که براي فرد ساکن در استوا دماي 5+ هم ممکن است سرد تلقي شود. اين تفاوت درک افراد از يک موضوع چگونه قابل توجيه است؟ براي پاسخ به اين سوال ابتدا بايد مفهوم و جايگاه واژه‌ي "سردي" در دنياي پيرامون ما تعريف و مشخص شود. اين نکته همان چيزي است که پروفسور زاده در سال 1973 تحت عنوان متغيرهاي زباني به آن اشاره کرد متغيرهاي زباني که عدد نيستند، بلکه مقادير آنها حروف ولغات هستند و با مدل سازي مجموعه‌اي براي متغير زباني "سردي" سعي در توصيف آن نموده و به هرکدام از دماهاي مختلف (x) يک "درجه عضويت" ( ) نسبت مي‌دهيم که بيان کننده‌ي ميزان تعلق آن عضو به مجموعه است و بين يک بازه‌ي بسته‌ي [0و1] متغير است. در نتيجه در تئوري مجموعه‌ي فازي A در مجموعه‌ي مرجع U بصورت زوج مرتب است...

 

منابع

دکتر محمد مهدوی ،هیدرولوژی کاربردی، جلد1، انتشارات دانشگاه تهران[1]

دکتر هوشنگ قائمی، مبانی هواشناسی،انتشارات دانشگاه شهید بهشتی[2]

امین کوره پزان دزفولی،اصول تئوری مجموعه های فازی[3]

ترجمه ی دکتر محمد حسین فاضل زرندی،تالیف جی.ج.کلر-یو.اس.کلیر و ب.یوآن،تئوری مجموعه های فازی[4]

[5] George J. Klir Bo Yuan, Fuzzy sets and Fuzzy Logic, Theory and applications , Prentice Hall PTR , 1995.

[6] Anna Kolesárová, Monika Kováčová, Fuzzy sets and their applications STU Bratislava 2004, ISBN 8022720364

[7] Chen, G. Q, Fuzzy Logic in Data Modeling, Semantics, Constraints, and Database Design, Kluwer Academic Publisher,1999.

[8] [Zad65], Fuzzy Sets, Zadeh L.A., 1965

[9] [KYu], Fuzzy Sets and Fuzzy Logic – Theory and Applications, Klin D. George, Bo Yuan

[10] [MLAB], Fuzzy Logic Toolbox, The MathWorks, www.mathworks.com.

[11] [Zim85], Fuzzy Sets, Decision Making and Expert Systems, Zimmermam Hans J., Kluwer Academic Press.

[12] [DPR1], Readings in Fuzzy Set – Fuzzy numbers an overview, Dubois and Prade.

[13] [KZF], An InteractiveUser-Friendly Decision Support System for consensus Reaching Based on Fuzzy Logic with linguistic quantifiers, Kacprzyk, Zadrozny and Fedrizzi.

[14] [YAG88], An Ordered Weighted Averaging Aggregation Operators in Multicriteria
Decision Making , Ronald Yager.

[15] [VIL03], Introducción a la Lógica Difusa para la representación de información imprecisa, Vila Amparo, 2002-2003.

[16] V. Cross and A. Firat, “Fuzzy objects for geographical information systems,” Fuzzy Sets and Systems, Vol. 113, 2000, pp. 19-36.

[17] V. Cross, “Fuzzy extensions for relationships in a generalized object model,” International Journal of Intelligent Systems, Vol. 16, 2001, pp. 843-861.

[18] V. Cross, “Defining fuzzy relationships in object models: Abstraction and interpretation,”Fuzzy Sets and Systems, Vol. 140, 2003, pp. 5-27.

[19] V. Cross, R. Caluwe, and N. van Gyseghem, “A perspective from the fuzzy object
data management group (FODMG),” in Proceedings of the 6th IEEE International Conference on Fuzzy Systems, Vol. 2, 1997, pp. 721-728.

[20]  J. C. Cubero and M. A. Vila, “A new definition of fuzzy functional dependency in
[21]fuzzy relational databases,” International Journal of Intelligent Systems, Vol. 9, 1994, pp. 441-448.

[22 ] G. de Tré and R. de Caluwe, “Level-2 fuzzy sets and their usefulness in object- oriented

[23]database modeling,” Fuzzy Sets and Systems, Vol. 140, 2003, pp. 29-49.

[24] D. Dubois, H. Prade, and J. P. Rossazza, “Vagueness, typicality, and uncertainty in
class hierarchies,” International Journal of Intelligent Systems, Vol. 6, 1991, pp. 167-183.

[25] R. George, R. Srikanth, F. E. Petry, and B. P. Buckles, “Uncertainty management issues in the object-oriented data model,” IEEE Transactions on Fuzzy Systems, Vol. 4, 1996, pp. 179-192 and Applications Symposium, 2000, pp. 47-54.

[26] D. Bottazzi, A. Corradi and R. Montanari: A Contextaware Group Management Middleware to suppor                                                                       

[27]Central Weather Bureau. (1996). The historical data of the daily average temperature and daily cloud density (from January 1995 to September 1996). Taipei, Taiwan, R.O.C.

[28]Chen, S. M. (1996). Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems, 81(3), 311–319.

[29]Chen, S. M. (2002). Forecasting enrollments based on high-order fuzzy time series. Cybernetics and Systems: An International Journal, 33(1), 1–16.

[30]Chen, S. M., & Hwang, J. R. (2000). Temperature prediction using fuzzy time series. IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics, 30(2), 263–275.

[31]Gen, M., & Cheng, R. (1997). Genetic algorithms and engineering design. New York: John Wiley & Sons.

[32]Goldberg, D. E. (1989). Genetic algorithm in search, optimization, and machine learning. Massachusetts: Addison-Wesley.

[33]Goldberg, D. E., Korb, B., & Deb, K. (1989). Messy genetic algorithms: motivation, analysis, and first results. Complex Systems, 3(5), 493–530.

[34]Holland, J. H. (1975). Adaptation in natural and artificial systems. Cambridge, MA: MIT Press.

[35]Huarng, K. (2001a). Effective lengths of intervals to improve forecasting in fuzzy time series. Fuzzy Sets and Systems, 123(3), 387–394.

[36]Huarng, K. (2001b). Heuristic models of fuzzy time series for forecasting. Fuzzy Sets and Systems, 123(3), 369–386.

[37]Hwang, J. R., Chen, S. M., & Lee, C. H. (1998). Handling forecasting problems using fuzzy time series. Fuzzy Sets and Systems, 100(2), 217–228.

[38]Lee, L. W., & Chen, S. M. (2004). Temperature prediction using genetic algorithms and fuzzy time series. In Proceedings of the 2004 international conference on information management, Miaoli, Taiwan, Republic of China (pp. 299–306).

[39]Lee, L. W., Wang, L. H., Chen, S. M., & Leu, Y. H. (2004). A new method for handling forecasting problems based on two-factors high-order fuzzy time series. In Proceedings of the 2004 ninth conference on artificial intelligence and applications, Taipei, Taiwan, Republic of China.

[40]Song, Q. (2003). A note on fuzzy time series model selection with sample autocorrection functions. Cybernetics and Systems: An International Journal, 34(2), 93–107.

[41]Song, Q., & Chissom, B. S. (1993a). Fuzzy time series and its models. Fuzzy Sets and Systems, 54(3), 269–277.

[42]Song, Q., & Chissom, B. S. (1993b). Forecasting enrollments with fuzzy time series – Part I. Fuzzy Sets and Systems, 54(1), 1–9.

[43]Song, Q., & Chissom, B. S. (1994a). Some properties of defuzzification neural networks. Fuzzy Sets and Systems, 61(1), 83–89.

[44]Song, Q., & Chissom, B. S. (1994b). Forecasting enrollments with fuzzy time series – Part II. Fuzzy Sets and Systems, 62(1), 1–8.

[45]Sullivan, J., & Woodall, W. H. (1994). A comparison of fuzzy forecasting and Markov modeling. Fuzzy Sets and Systems, 64(3), 279–293.

[46]Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8, 338–353

[47] B.A. Smith, R.W McClendon, G. Hoogenboon,“Improving Air Temperature Prediction with Artificial Neural Networks”, International Journal of ComputationalIntelligence, vol. 3, (3), pp. 179-186, 2006.

[48] J. Shao, “Application of artificial neural networks to improve short-term road ice forecasts”, Expert Systems With Applications, vol. 14, pp 471-482, 1998.

[49] J. Shao, “Improving Now casts of Road Surface Temperature by a Back propagation Neural Network”, Weather and Forecasting, vol. 13, pp. 164-171, 1998.

[50] G. Emmanouli, G. Galantis & G.Kallos, “Statistical methods for the prediction of night-time cooling and minimum temperature”, Meterol. Appl, vol. 13, pp. 169- 178, 2006.

[51] J.P. Lhomme, L.Guilioni, “A simple model for minimum crop temperature forecasting during nocturnal cooling”, Agricultural and Forest Meterology, vol .123, pp. 55-68, 2004.

[52] O.Guerrera, “Frost damage bill tipped to reach $500m in north”, Sept 2006; http://www.theage.com.au/news/national/frost-damage-billtipped- to-reach-500m-innorth/
2006/09/25/1159036473098.html

[53] Wolfram Mathworld, “Least Square Fitting – Pollynomial”; http://mathworld.wolfram.com/LeastSquaresFittingPolyno mial.html

[54]Attia, A. F. 2005 in press

[55]Attia, A. F., Rabab, H., & Maha, S.Q. 2004, Solar Phys., 227, 1

[56]Briffa, K.R., & Jones, P.D. 1993, The Holocene, 3,77

[57]Dergachev,V., & Kartavykh, Y. 2002, 34th COSPAR Scientific Assembly ,the second world Space Congress, 10-19 Oct 2002 in Houston, TX,USA

[58]Folland, C.K., & Parker, D.E. 1995, Quarterly Journal of the Royal Meteorological Society, 121, 319

[59]Huang, S. 2004, Geophys Res Letters, 31, 13, CiteID, L3205

[60]Jones, P.D., Osborn, T.J., Bri_a, K.R., Folland, C.K. , Horton, E.B., Alexander, L.V., Parker, D.E., & Rayner, N.A. 2001, Journal of Geophysical Research, 106, 3371

[61]Jones, P.D., New, M., Parker, D.E., Martin, S., & Rigor, I.G. 1999, Reviews of Geophysics, 37, 173

[62]J. T. Houghton, L. G. Meira Filho, B. A. Calander, N. Harris, A. Kattenberg, and K. Maskell (Eds.) 1995, Cambridge University Press, 133

[63]Jones, P.D., & Bri_a, R. 1992, The Holocene, 2, 165

[64]Levitus, S., Antonov, J., & Boyer, T. 2005, Geophys. Res. Letters, 32, 2, Cite ID L02604

[65]Meehl, G.A. 2004, J.Climate

[66]Maha, S.Q. 2004 Cospar, 2004, Paris

[67]Nicholls, N., et al. 1996, Climate Change

[68]North,G.R. 2004: American Geophysical Union, Meeting 2004,abstract SH51E-06

[69]Pang,K.D., & Yau, K.K. 2004, American Astronomical society Meeting 205, 44.01

[70]Yousef, S. 2003, ESA SP-535, ISBN 92-9092- 845-X, 397

مجله علم و کامپيوتر [71]www.ccwmagazine.com
[72]   www.wikipedia.com
[73]  www.talkorigins.org
[74]   www.gpwiki.org
[75] پاورپوينت Koza   www.smi.stanford.edu/people/koza
[76]  دانشکده کامپيوتر دانشگاه McGill کانادا www.cgm.cs.mcgill.ca
[77]www.sharifthinktank.com
[78] www.itna.com
[79]  Guided operators for a hipper-heuristic Genetic Algorithm www.cs.nott.ac.ukIT university of Nottingham

نظري براي اين محصول ثبت نشده است.


نوشتن نظر خودتان

براي نوشتن نظر وارد شويد.

محصولات
نظر سنجي
نظرتون در مورد ویکی پروژه چیه؟
  •   مراحل ثبت نام خیلی زیاده!
  •   مطلب درخواستیم رو نداشت!
  •   ایمیل نداشتم که ثبت نام کنم!
  •   مطلبی که میخواستم گرون بود!
نظرنتيجه