GDL

Balanced the Trade-offs Problem of ANFIS using Particle Swarm Optimization

Journal from gdlhub / 2016-11-07 09:04:33
Oleh : Dian Palupi Rini, Siti Mariyam Shamsuddin, Siti Sophiayati Yuhaniz, Telkomnika
Dibuat : 2013-09-01, dengan 1 file

Keyword : ANFIS, interpretabilitas, akurasi, algoritma evolusioner, particle swarm optimisasi
Url : http://journal.uad.ac.id/index.php/TELKOMNIKA/article/view/1146

Meningkatkan akurasi perkiraan dan interpretability dari sistem fuzzy merupakan isu penting baik dalam teori sistem fuzzy atau aplikasi. Hal ini diketahui bahwa simultan kedua isu adalah trade-off masalah, tetapi akan meningkatkan kinerja sistem dan menghindari overtraining data. optimasi partikel swarm (PSO) adalah bagian dari algoritma evolusioner yang algoritma calon yang baik untuk memecahkan beberapa solusi optimal dan ruang pencarian global yang lebih baik. Makalah ini memperkenalkan integrasi PSO Dan ANFIS untuk mengoptimalkan pembelajaran terutama bagi parameter fungsi keanggotaan tuning dan menemukan aturan yang optimal untuk klasifikasi yang lebih baik. Metode yang diusulkan telah diuji pada empat dataset standar dari UCI mesin belajar yaitu Iris Flower, Data kelangsungan hidup Haberman ini, balon dan dataset tiroid. Hasil penelitian menunjukkan klasifikasi yang lebih baik menggunakan diusulkan PSO-ANFIS dan kompleksitas waktu telah berkurang sesuai.

Deskripsi Alternatif :

Improving the approximation accuracy and interpretability of fuzzy systems is an important issue either in fuzzy systems theory or in its applications . It is known that simultaneous optimization both issues was the trade-offs problem, but it will improve performance of the system and avoid overtraining of data. Particle swarm optimization (PSO) is part of evolutionary algorithm that is good candidate algorithms to solve multiple optimal solution and better global search space. This paper introduces an integration of PSO dan ANFIS for optimise its learning especially for tuning membership function parameters and finding the optimal rule for better classification. The proposed method has been tested on four standard dataset from UCI machine learning i.e. Iris Flower, Haberman’s Survival Data, Balloon and Thyroid dataset. The results have shown better classification using the proposed PSO-ANFIS and the time complexity has reduced accordingly.

Beri Komentar ?#(0) | Bookmark

Properti	Nilai Properti
ID Publisher	gdlhub
Organisasi	Telkomnika
Nama Kontak	Herti Yani, S.Kom
Alamat	Jln. Jenderal Sudirman
Kota	Jambi
Daerah	Jambi
Negara	Indonesia
Telepon	0741-35095
Fax	0741-35093
E-mail Administrator	elibrarystikom@gmail.com
E-mail CKO	elibrarystikom@gmail.com