Clustering Variables Based on Fuzzy Equivalence Relations

Adjenughwure, Kingsley; Botzoris, George; Papadopoulos, Basil K.

doi:10.1007/978-3-319-19704-3_18

Cited by 2 publications

(2 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…To help reader understand the proposed model output, the results are compared to those of a fuzzy linear regression with crisp input and fuzzy output of (Tanaka et al ,1982) . The comparison is made using the credibility index in [8]. The credibility of a predicted value is measured by the closeness to the original value and its precision (i.e.…”

Section: Case Studymentioning

confidence: 99%

See 1 more Smart Citation

Development and application of hybrid fuzzy-statistical and artificial intelligence methods in the design, operation and management of transportation systems and infrastructures

Adjenughwure¹

View full text Add to dashboard Cite

Πολλά συνηθισμένα προβλήματα που αντιμετωπίζονται στο σχεδιασμό, τη λειτουργία και τη διαχείριση συστημάτων και υποδομών μεταφορών έχουν λυθεί με τη χρήση γνωστών στατιστικών μεθόδων όπως η παλινδρόμηση, η ανάλυση παραγόντων, η ανάλυση χρονοσειρών, η διακριτή ανάλυση επιλογής. Αυτές οι μέθοδοι βασίζονται σε μεγάλο βαθμό στη θεωρία των πιθανοτήτων και της στατιστικής, προκειμένου να παριστάνει ή να χειριστεί την αβεβαιότητα που εμπλέκεται σε τέτοιου είδους προβλήματα. Σε αυτά τα είδη των μοντέλων, η αβεβαιότητα συνήθως οφείλεται στην τυχαιότητα και συχνά εκπροσωπείται μέσω των στατιστικών διαστημάτων, όπως διαστήματα εμπιστοσύνης και πρόβλεψης. Σε άλλες περιπτώσεις, αβεβαιότητες λόγω της ανακρίβειας των δεδομένων ή της έλλειψης των πληροφοριών, προκύπτουν συχνά και πρέπει να αντιμετωπίζονται επίσης. Η χρήση της ασαφούς λογικής έχει αναγνωριστεί ως ένας εναλλακτικός τρόπος για τη διαχείριση τέτοιας αβεβαιότητας, στην οποία εμπλέκονται προβλήματα μεταφοράς λόγω ανακρίβειας ή έλλειψης πληροφοριών. Αυτοί οι τύποι των αβεβαιότητας συχνά αντιπροσωπεύονται μέσω ασαφών αριθμών.Δεδομένου ότι η ασαφής λογικής και η θεωρία πιθανοτήτων είναι τόσο χρήσιμες για την αντιμετώπιση της αβεβαιότητας, έχουν αναπτυχθεί διάφορα μοντέλα με τη χρήση αυτών των δύο προσεγγίσεων. Η ενσωμάτωση της ασαφούς λογικής με την στατιστική είναι ιδιαίτερα χρήσιμη για συστήματα μεταφορών, επειδή είναι πολύπλοκα κοινωνικο-τεχνικά συστήματα, τα οποία συχνά απαιτούν τη λήψη αποφάσεων υπό συνθήκες αβεβαιότητας. Η ασαφής λογική, που βασίζεται στη θεωρία των ασαφών συνόλων, και η στατιστική, που βασίζεται στη θεωρία πιθανοτήτων, είναι εναλλακτικές προσεγγίσεις για τη λήψη τέτοιων αποφάσεων υπό αβεβαιότητα. Τα ασαφή σύνολα είναι καλά στο χειρισμό της ανθρωπογενούς αβεβαιότητας (ελλιπής κατανόηση φαινομένου, περιορισμένη εμπιστοσύνη στο μοντέλο, ανακρίβεια ή ανεπάρκεια δεδομένων), ενώ η θεωρία πιθανοτήτων είναι καλή για το χειρισμό της αβεβαιότητας που προκύπτει από τυχαιότητα. Σε αντίθεση με τα περισσότερα μοντέλα, τα οποία αναπτύσσουν εντελώς νέες μεθόδους ασαφούς λογικής ή στατιστικής, αυτή η διατριβή προτείνει την κατασκευή υβριδικών μοντέλων, που χρησιμοποιούν ορισμένα σημαντικά στοιχεία από το ένα μοντέλο στο άλλο χωρίς σημαντική αλλαγή στη δομή των αρχικών μοντέλων. Το πλεονέκτημα της προτεινόμενης προσέγγισης είναι ότι οι ειδικοί σε ένα είδος μοντέλων (ασαφή ή στατιστικά) μπορούν να συνεχίζουν τη χρήση τέτοιων μοντέλων, χωρίς να χρειάζεται να αποκτήσουν σημαντικές νέες γνώσεις στον άλλο τομέα. Δείχνεται ότι οι προτεινόμενες μέθοδοι δίνουν παρόμοια ή καλύτερα αποτελέσματα από τα αρχικά μοντέλα. Στις διάφορες εφαρμογές, αποδείχθηκε ότι τα προτεινόμενα υβριδικά μοντέλα είναι εξαιρετικά ευέλικτα, δεδομένου ότι τα ήδη υπάρχοντα μοντέλα, όπως η γραμμική παλινδρόμηση, τα νευρωνικά δίκτυα και τα μοντέλα ασαφής λογικής μπορούν εύκολα να μετατραπούν σε ασαφή-στατιστικά μοντέλα. Η ανάγκη για πρόσθετες γνώσεις ελαχιστοποιείται και τα προτεινόμενα μοντέλα μπορούν να χρησιμοποιηθούν από οποιονδήποτε ήδη εξοικειωμένο με γραμμική παλινδρόμηση, ασαφής λογική ή μοντέλα νευρωνικών δικτύων. Επίσης δείχνουμε ότι τα προτεινόμενα μοντέλα μπορούν να χειριστούν τις αβεβαιότητες που σχετίζονται με την τυχαιότητα και την ασάφεια και είναι ιδιαίτερα κατάλληλα για τη λήψη αποφάσεων στα διάφορα προβλήματα μεταφορών, που συνήθως γίνονται υπό υψηλή αβεβαιότητα και ασάφεια.

show abstract

Section: Case Studymentioning

confidence: 99%

“…2,3,4,5,6,7,8,9,10,11,12 , we reduce 92 the problem to selecting among 5 variables   1,3,7,8,11 . This is then followed by selection among 2 variables   2, 4 and   5, 6 .…”

mentioning

confidence: 99%