Fuzzy Wavelet Polynomial Neural Networks: Analysis and Design
Notice bibliographique
Résumé
In this study, we propose a concept of fuzzy wavelet polynomial neural networks (FWPNNs) based on concepts and constructs of polynomial neural networks and fuzzy wavelet neurons (FWNs). These networks exhibit a rule-based architecture while each rule in the FWN consists of the premise part and consequence part. The premise part is realized by using C-means clustering method, while the consequence part is realized by means of wavelet functions whose parameters are estimated with the aid of the least square method. In some sense, the FWPNN can be regarded as a generalized fuzzy wavelet neural network (FWNN). Unlike Gaussian membership functions that are commonly utilized to implement the premise part of the rules in typical FWNNs, C-means method is employed here to overcome a possible curse of dimensionality. Polynomial neural networks (PNNs) are used to express the nonlinearity of a complex system. Furthermore, the particle swarm optimization is used to optimize the design parameters of the proposed network. Based on the PNNs and FWNNs, the proposed FWPNNs take advantages of these two neural networks: it exhibits the abilities to describe high-order nonlinear relations between input and output variables and it is beneficial to describe models impacted by uncertainty. The proposed FWPNNs are applied for time-series prediction and regression problems (e.g., control of dynamic plants). Several well-known modeling benchmarks including regression and time series are considered to evaluate the performance of the proposed FWPNNs. A comparative analysis shows that the proposed FWPNNs result in better performance when comparing with some previous models reported in the literature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».