Ensembles of Type 2 Fuzzy Neural Models and Their Optimization with Bio-Inspired Algorithms for Time Series Prediction

این کتاب بر زمینه‌های سیستم‌های هوشمند ترکیبی مبتنی بر سیستم‌های فازی، شبکه‌های عصبی، الگوریتم‌های الهام‌گرفته از زیستی و سری‌های زمانی تمرکز دارد. این کتاب ساخت مجموعه‌ای از مدل‌های شبکه‌های عصبی فازی نوع ۲ و بهینه‌سازی انتگرال‌کننده‌های فازی آن‌ها را با الگوریتم‌های الهام‌گرفته از زیستی برای پیش‌بینی سری‌های زمانی توصیف می‌کند. سیستم‌های فازی نوع ۲ و نوع ۱ برای ادغام خروجی‌های مجموعه مدل‌های شبکه عصبی فازی نوع ۲ استفاده می‌شوند. الگوریتم‌های ژنتیک و بهینه‌سازی ازدحام ذرات الگوریتم‌های الهام‌گرفته از زیستی هستند که برای بهینه‌سازی یکپارچه‌کننده‌های پاسخ فازی استفاده می‌شوند. سری‌های زمانی Mackey-Glass، Mexican Stock Exchange، Dow Jones و NASDAQ برای آزمایش عملکرد روش پیشنهادی استفاده می‌شوند. خطاهای پیش بینی با معیارهای زیر ارزیابی می شوند: میانگین خطای مطلق، میانگین مربع خطا، ریشه میانگین مربعات خطا، میانگین درصد خطا و میانگین درصد مطلق خطا. مدل پیش‌بینی پیشنهادی در پیش‌بینی سری‌های زمانی خاص در نظر گرفته شده در این کار، از روش‌های هنری بهتر عمل می‌کند.

This book focuses on the fields of hybrid intelligent systems based on fuzzy systems, neural networks, bio-inspired algorithms and time series. This book describes the construction of ensembles of Interval Type-2 Fuzzy Neural Networks models and the optimization of their fuzzy integrators with bio-inspired algorithms for time series prediction. Interval type-2 and type-1 fuzzy systems are used to integrate the outputs of the Ensemble of Interval Type-2 Fuzzy Neural Network models. Genetic Algorithms and Particle Swarm Optimization are the Bio-Inspired algorithms used for the optimization of the fuzzy response integrators. The Mackey-Glass, Mexican Stock Exchange, Dow Jones and NASDAQ time series are used to test of performance of the proposed method. Prediction errors are evaluated by the following metrics: Mean Absolute Error, Mean Square Error, Root Mean Square Error, Mean Percentage Error and Mean Absolute Percentage Error. The proposed prediction model outperforms state of the art methods in predicting the particular time series considered in this work.