سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات158
تعداد شماره‌ها6,225
تعداد مقالات67,685
تعداد مشاهده مقاله114,995,103
تعداد دریافت فایل اصل مقاله89,666,335
Torabi, Ali, Pashapour Nazari, Shima, Neshat, Najmeh. (1392). A Novel Approach of Artificial Neural Networks Modeling Based on Fuzzy Regression Approach for Forecasting Purposes: The case of liquid gas price in Japan’s market. , 47(1), 15-24. doi: 10.22059/jieng.2013.35507
Ali Torabi; Shima Pashapour Nazari; Najmeh Neshat. "A Novel Approach of Artificial Neural Networks Modeling Based on Fuzzy Regression Approach for Forecasting Purposes: The case of liquid gas price in Japan’s market". , 47, 1, 1392, 15-24. doi: 10.22059/jieng.2013.35507
Torabi, Ali, Pashapour Nazari, Shima, Neshat, Najmeh. (1392). 'A Novel Approach of Artificial Neural Networks Modeling Based on Fuzzy Regression Approach for Forecasting Purposes: The case of liquid gas price in Japan’s market', , 47(1), pp. 15-24. doi: 10.22059/jieng.2013.35507
Torabi, Ali, Pashapour Nazari, Shima, Neshat, Najmeh. A Novel Approach of Artificial Neural Networks Modeling Based on Fuzzy Regression Approach for Forecasting Purposes: The case of liquid gas price in Japan’s market. , 1392; 47(1): 15-24. doi: 10.22059/jieng.2013.35507

A Novel Approach of Artificial Neural Networks Modeling Based on Fuzzy Regression Approach for Forecasting Purposes: The case of liquid gas price in Japan’s market

Advances in Industrial Engineering
مقاله 2، دوره 47، شماره 1، تیر 2013، صفحه 15-24    اصل مقاله (403.61 K)
نوع مقاله: Research Paper
شناسه دیجیتال (DOI): 10.22059/jieng.2013.35507
نویسندگان
Ali Torabi1؛ Shima Pashapour Nazari* 1؛ Najmeh Neshat2
1School of Industrial Engineering, College of Engineering, University of Tehran, Tehran, I.R. Iran
2Dept. of Industrial Engineering, School of Engineering, Tarbiat Modares University, Tehran , I.R. Iran
چکیده
In this paper, a new approach of modeling for Artificial Neural Networks (ANN) models based on the concepts of ANN and fuzzy regression is proposed. For this purpose, we reformulated ANN model as a fuzzy nonlinear regression model while it has advantages of both fuzzy regression and ANN models. Hence, it can be applied to uncertain, ambiguous, or complex environments due to its flexibility. In addition, the case study is brought in order to clearly show the way this approach could be utilized. The price of the liquid gas in Japan’s market (the world’s largest natural gas importer) is investigated based on the proposed approach. Based on the results, it is concluded that the performance of proposed model is acceptable; moreover, it can be deal with uncertain and complex environments as a clear box model. 
کلیدواژه‌ها
Artificial neural networks (ANNs)؛ fuzzy regression؛ modeling؛ Natural gas price
عنوان مقاله [English]
رویکردی نوین در مدل‌سازی شبکه عصبی مصنوعی بر اساس منطق رگرسیون فازی و کاربرد آن در پیش‌بینی (مورد کاوی: پیش‌بینی قیمت گاز مایع ژاپن)
نویسندگان [English]
سیدعلی ترابی1؛ شیما پاشاپورنظری1؛ نجمه نشاط2
1دانشیار دانشکده مهندسی صنایع - پردیس دانشکده‌های فنی- دانشگاه تهران
2دانشجوی دکترای مهندسی صنایع- دانشگاه تریبت مدرس
چکیده [English]
در این مقاله، یک رویکرد جدید مدل­سازی برای مدل‌های شبکه عصبی مصنوعی بر مبنای مفاهیم شبکه­های عصبی و رگرسیون فازی ارائه شده است. به این منظور، مدل شبکه عصبی مصنوعی در قالب یک مدل رگرسیون غیرخطی فازی فرموله شده است، به نحوی که این مدل، مزایای هر دو مدل رگرسیون فازی و شبکه عصبی مصنوعی را دارد. بنابراین، این مدل به دلیل انعطاف­پذیری بالا، قابلیت استفاده در شرایط نبود قطعیت، مبهم یا پیجیده را دارد. علاوه بر این، مطالعه موردی پیش‌بینی قیمت گاز مایع در بازار ژاپن (بزرگ‌ترین وارد‌کننده گاز طبیعی جهان) برای نشان دادن نحوه استفاده از این رویکرد ارائه شده است. نتایج به دست آمده نشان می­دهد که قدرت پیش‌بینی مدل ارائه شده قابل قبول است. علاوه بر این، در شرایط غیرقطعی و پیچیده می‌تواند بر خلاف مدل‌های شبکه عصبی، اطلاعات شفافی از روابط موجود بین متغیرهای ورودی و پاسخ مدل به تصیم­گیرنده ارائه دهد.
کلیدواژه‌ها [English]
شبکه¬های عصبی مصنوعی, رگرسیون فازی, مدل¬سازی¬ قیمت گاز طبیعی
آمار
تعداد مشاهده مقاله: 3,103
تعداد دریافت فایل اصل مقاله: 2,436


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب