Identification method for fuzzy forecasting models of time series

Carvalho, José Genilson Sousa; Costa, Carlos Araújo da

doi:10.1016/j.asoc.2016.11.003

“…Em seguida, uma máquina de inferência faz a análise das regras válidas no banco de regras fuzzy, gerenciando-as conforme o processo em andamento, gerando um sinal de saída fuzzy, o qual será defuzzyficado, apresentando, ao final, um valor Crisp na saída, conforme atesta (WANG, 1999). A Lógica Fuzzy aplicada a séries temporais e utilizadas como processo de predição através de algorítimos utilizando a função de autocorrelação estendida (Carvalho Jr.;Costa Jr., 2017). A definição de conjuntos fuzzy é baseado em um dimensionamento do Universo de Discurso, definido por U, e sendo este um conjunto não vazio, um subconjunto de U, que representa as regras a serem utilizadas é definido como A, uma função de pertinência µtA, que representa um calor no intervalo de U → [0, 1], como demonstrado na Equação (1), onde x é o valor da variável a ser utilizado, e a representação matemática do conjunto A = {[x, µA(x; x ∈ U)]}.…”

Section: A Lógica Fuzzyunclassified

“…O fuzzyficador tipo triângulo define a relação de entrada do número Crisp x * mapeado no universo de discurso U e sendo definido em uma regra A0 também relacionada a U, definindo uma função de pertinência conforme a Equação (2), onde bi é definido como o parâmetro positivo no processo e "⁕" é o operador t − norma, sendo utilizado como produto algébrico ou mínimo (Carvalho Jr.;Costa Jr., 2017), sendo definido o número fuzzificado.…”

Section: A Lógica Fuzzyunclassified

Previsão Da Demanda De Energia Elétrica Utilizando Lógica Fuzzy E Função De Autocorrelação Estendida

Oliveira,

Almeida,

Silva

et al. 2024

Explorando O Universo Das Ciências Exatas: Teoria E Aplicações

0

View full text Add to dashboard Cite

Editora Direitos para esta edição cedidos à Atena Editora pelos autores. Open access publication by Atena Editora Todo o conteúdo deste livro está licenciado sob uma Licença de Atribuição Creative Commons. Atribuição-Não-Comercial-NãoDerivativos 4.0 Internacional (CC BY-NC-ND 4.0). O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores, inclusive não representam necessariamente a posição oficial da Atena Editora. Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterála de nenhuma forma ou utilizá-la para fins comerciais.Todos os manuscritos foram previamente submetidos à avaliação cega pelos pares, membros do Conselho Editorial desta Editora, tendo sido aprovados para a publicação com base em critérios de neutralidade e imparcialidade acadêmica.A Atena Editora é comprometida em garantir a integridade editorial em todas as etapas do processo de publicação, evitando plágio, dados ou resultados fraudulentos e impedindo que interesses financeiros comprometam os padrões éticos da publicação. Situações suspeitas de má conduta científica serão investigadas sob o mais alto padrão de rigor acadêmico e ético.

show abstract

“…Em seguida, uma máquina de inferência faz a análise das regras válidas no banco de regras fuzzy, gerenciando-as conforme o processo em andamento, gerando um sinal de saída fuzzy, o qual será defuzzyficado, apresentando, ao final, um valor Crisp na saída, conforme atesta (WANG, 1999). A Lógica Fuzzy aplicada a séries temporais e utilizadas como processo de predição através de algorítimos utilizando a função de autocorrelação estendida (Carvalho Jr.;Costa Jr., 2017). A definição de conjuntos fuzzy é baseado em um dimensionamento do Universo de Discurso, definido por U, e sendo este um conjunto não vazio, um subconjunto de U, que representa as regras a serem utilizadas é definido como A, uma função de pertinência µtA, que representa um calor no intervalo de U → [0, 1], como demonstrado na Equação (1), onde x é o valor da variável a ser utilizado, e a representação matemática do conjunto A = {[x, µA(x; x ∈ U)]}.…”

Section: A Lógica Fuzzyunclassified

A Relação Entre a Redução Da Energia Cinética Dos Ventos E O Aquecimento Da Terra

Dias,

Troysi,

Dias

2024

Explorando O Universo Das Ciências Exatas: Teoria E Aplicações

0

View full text Add to dashboard Cite

Editora Direitos para esta edição cedidos à Atena Editora pelos autores. Open access publication by Atena Editora Todo o conteúdo deste livro está licenciado sob uma Licença de Atribuição Creative Commons. Atribuição-Não-Comercial-NãoDerivativos 4.0 Internacional (CC BY-NC-ND 4.0). O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores, inclusive não representam necessariamente a posição oficial da Atena Editora. Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterála de nenhuma forma ou utilizá-la para fins comerciais.Todos os manuscritos foram previamente submetidos à avaliação cega pelos pares, membros do Conselho Editorial desta Editora, tendo sido aprovados para a publicação com base em critérios de neutralidade e imparcialidade acadêmica.A Atena Editora é comprometida em garantir a integridade editorial em todas as etapas do processo de publicação, evitando plágio, dados ou resultados fraudulentos e impedindo que interesses financeiros comprometam os padrões éticos da publicação. Situações suspeitas de má conduta científica serão investigadas sob o mais alto padrão de rigor acadêmico e ético.

show abstract

“…The fuzzy rule was subsequently created to model the qualitative elements of human knowledge (reasoning based on experience) [30] and address the issue using those as its foundations. Even though fuzzy is typically employed for control [31], including robot movement [32], speed control [33], and many other [34], [35], however A fuzzy system can be applied to anything from detection [36] until forecasting [37]. In 1985, Takagi and Sugeno develop fuzzy model using implications and reasoning for industrial control [38].…”

Section: Adaptive Neuro Fuzzy Inference System (Anfis) Algorithmmentioning

confidence: 99%

Self-Organized Wireless Sensor Network (SOWSN) for Dense Jungle Applications

Hakim,

Habaebi,

Islam

et al. 2023

IEEE Access

1

0

View full text Add to dashboard Cite

To facilitate wireless sensor networks deployment in dense jungle environments, the challenges of unreliable wireless communication links used for routing data between nodes and the gateway, and the limited battery energy available from the nodes must be overcome. In this paper, we introduce the Self-Organized Wireless Sensor Network (SOWSN) to overcome these challenges. To develop the traits needed for such SOWSN nodes, three types of computational intelligence mechanisms have been featured in the design. The first feature is the introduction of Multi Criteria Decision Making (MCDM) algorithm with simple Additive Weight (SAW) function for clustering the SOWSN nodes. The second feature is the introduction of the fuzzy logic ANFIS-optimized Near Ground Propagation Model to predict the wireless transmission link quality and power transfer between transmitters. The third feature is the introduction of the (Levenberg Marquardt artificial neural network (LM-ANN) for Adaptive Dynamic Power Control to further optimize the transmitter power levels, radio modulation, Spreading Factor configurations, and settings of the employed SOWSN LoRaWAN nodes based on predicted wireless transmission link quality parameters. The introduced features were extensively evaluated and analyzed using simulation and empirical measurements. Using clustering, near-ground propagation, and adaptive transmission power control features, a robust wireless data transmission system was built while simultaneously providing power conservation in SOWSN operation. The payload loss can be improved using SAW clustering from 1275 bytes to 5100 bytes. The result of power conservation can be seen from the reduction of transmission power in SOWSN nodes with the increase of transmission time (TOA) as its side effect. With the original power transmission at 20 dBm, original TOA time at 96.832 milliseconds for all nodes, and SNR 3 as input, transmission power was reduced to 12.76 dBm and the TOA increased to 346.78 milliseconds for all nodes.

show abstract

Identification method for fuzzy forecasting models of time series

Cited by 21 publications

References 37 publications

Previsão Da Demanda De Energia Elétrica Utilizando Lógica Fuzzy E Função De Autocorrelação Estendida

Previsão Da Demanda De Energia Elétrica Utilizando Lógica Fuzzy E Função De Autocorrelação Estendida

A Relação Entre a Redução Da Energia Cinética Dos Ventos E O Aquecimento Da Terra

Self-Organized Wireless Sensor Network (SOWSN) for Dense Jungle Applications

Contact Info

Product

Resources

About