A Comparative Study of Non-Linear Modelling Capabilities of T-S Fuzzy Models and Back-Propagation Neural Networks
Notice bibliographique
Résumé
In the era of data-driven decision-making, selecting appropriate nonlinear modeling techniques is critical for building robust and interpretable predictive systems. While both Takagi-Sugeno (T-S) fuzzy models and Back-Propagation (BP) neural networks are well-established universal approximators in the data science domain, their fundamentally different structural characteristics lead to varied performance across application scenarios. This paper presents a systematic comparative study of these two modeling approaches through a series of simulation experiments designed to reflect key tasks in predictive analytics, including static function approximation, dynamic system modeling and forecasting, and real-time state tracking of time-varying systems. By evaluating performance across multiple dimensions modeling accuracy, robustness to noise, and adaptability to temporal dynamics, this work provides actionable insights into the practical strengths and limitations of each model type. The results show that T-S fuzzy models offer superior accuracy in clean, stable environments, while BP neural networks demonstrate strong resilience to noise and generalization ability in uncertain conditions. Additionally, T-S fuzzy models exhibit higher adaptability in real-time, dynamic contexts, making them valuable for time-sensitive predictive applications. This study contributes to the broader data science community by offering a structured framework for model selection based on application-specific demands, helping practitioners and researchers alike to optimize predictive modeling strategies for complex, nonlinear systems.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».