Fuzzy Evidence in Identification, Forecasting and Diagnosis

هدف این کتاب ارائه روشی برای طراحی و تنظیم سیستم های خبره فازی به منظور شناسایی اجسام غیرخطی است. یعنی ساخت مدل های ورودی-خروجی با استفاده از اطلاعات خبره و تجربی. نتایج این شناسایی‌ها برای شواهد فازی مستقیم و معکوس در پیش‌بینی و حل مسئله استفاده می‌شود.

کتاب به شرح زیر سازماندهی شده است: فصل 1 دانش اساسی در مورد مجموعه‌های فازی، الگوریتم‌های ژنتیک و شبکه‌های عصبی لازم را ارائه می‌کند. برای درک روشنی از بقیه این کتاب. فصل 2 استنتاج فازی مستقیم بر اساس قوانین اگر-آنگاه فازی را تحلیل می کند. فصل 3 به تنظیم قوانین فازی برای استنتاج مستقیم با استفاده از الگوریتم های ژنتیک و شبکه های عصبی اختصاص دارد. فصل 4 مدل ها و الگوریتم هایی را برای استخراج قوانین فازی از داده های تجربی ارائه می کند. فصل 5 روشی را برای حل معادلات منطق فازی لازم برای استنتاج فازی معکوس در سیستم های تشخیصی توضیح می دهد. فصل 6 و 7 به استنتاج فازی معکوس بر اساس روابط فازی و قوانین فازی اختصاص دارد. فصل 8 روشی را برای استخراج روابط فازی از داده ها ارائه می کند. تمام الگوریتم های ارائه شده در فصل های 2-8 توسط آزمایش های کامپیوتری تایید شده و با حل مشکلات پیش بینی و تشخیص پزشکی و فنی نشان داده شده اند. در نهایت، فصل نهم شامل کاربردهای روش پیشنهادی در سیستم‌های کنترل پویا و موجودی، پیش‌بینی نتایج بازی‌های فوتبال، تصمیم‌گیری در بررسی تصادفات جاده‌ای، مدیریت پروژه و تجزیه و تحلیل قابلیت اطمینان است.

The purpose of this book is to present a methodology for designing and tuning fuzzy expert systems in order to identify nonlinear objects; that is, to build input-output models using expert and experimental information. The results of these identifications are used for direct and inverse fuzzy evidence in forecasting and diagnosis problem solving.

The book is organised as follows: Chapter 1 presents the basic knowledge about fuzzy sets, genetic algorithms and neural nets necessary for a clear understanding of the rest of this book. Chapter 2 analyzes direct fuzzy inference based on fuzzy if-then rules. Chapter 3 is devoted to the tuning of fuzzy rules for direct inference using genetic algorithms and neural nets. Chapter 4 presents models and algorithms for extracting fuzzy rules from experimental data. Chapter 5 describes a method for solving fuzzy logic equations necessary for the inverse fuzzy inference in diagnostic systems. Chapters 6 and 7 are devoted to inverse fuzzy inference based on fuzzy relations and fuzzy rules. Chapter 8 presents a method for extracting fuzzy relations from data. All the algorithms presented in Chapters 2-8 are validated by computer experiments and illustrated by solving medical and technical forecasting and diagnosis problems. Finally, Chapter 9 includes applications of the proposed methodology in dynamic and inventory control systems, prediction of results of football games, decision making in road accident investigations, project management and reliability analysis.