یک روش ماتریسی جهت برآورد ضرایب رگرسیون خطی مبتنی بر اعداد-زاده

محورهای موضوعی : آمار

سمیه ایزدی ¹ , توفیق الهویرنلو ^{2 *}

1 - گروه ریاضی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد همدان، همدان، ایران
2 - گروه ریاضی کاربردی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد علوم تحقیقات، تهران، ایران

تاریخ دریافت : 1397/06/27 تاریخ پذیرش : 1397/07/22 تاریخ انتشار : 1397/12/01

کلید واژه: Z-numbers, linear regression based on Z-n, Matrix method,

چکیده مقاله :

در این مقاله، یک روش جدید جهت برآورد تقریب ضرایب رگرسیون خطی مبتنی بر اعداد- زاده ارائه می­شود. در این مدل مشاهدات اعداد حقیقی هستند و ضرایب رگرسیون و متغیر وابسته (y) مقادیری با ارزشگذاری اعداد-زاده هستند. جهت برآورد ضرایب این مدل ابتدا مدل رگرسیون خطی مبتنی بر اعداد-زاده را به دو مدل رگرسیون خطی فازی تبدیل کرده سپس دو مدل را به صورت دستگاه Ax=y  تبدیل می­کنیم که در آن A ضریب رگرسیون خطی و x متغیر مستقل و y متغیر وابسته است.  در نهایت برای مینیمم سازی دستگاه فوق از روش مجموع مربعات خطا مبتنی بر فاصله d استفاده می­کنیم. طی دو مثال نشان میدهیم که روش پیشنهادی از دقت مطلوبی جهت برآورد رگرسیون بر اساس اعداد فازی برخوردار است.

چکیده انگلیسی:

In this paper, a new method for estimating the linear regression coefficients approximation is presented based on Z-numbers. In this model, observations are real numbers, regression coefficients and dependent variables (y) have values ​​for Z-numbers. To estimate the coefficients of this model, we first convert the linear regression model based on Z-numbers into two fuzzy linear regression models, and then convert the two models into Ax = y, in which A is the linear regression coefficient and x is the independent variable and y variable It Depends, where A is the linear regression coefficient and x is independent variable and y is dependent variable. Finally, to minimize this device, we use the total sum of squared error based on distance d. In two examples, the proposed method is compared with the only available method.

منابع و مأخذ:

[1] C.B. Cheng, E.S. Lee, Fuzzy regression with radial basis function network, Fuzzy Sets and Systems 119 (2) (2001) 291–301.

[2] A. Bardossy, Note on fuzzy regression, Fuzzy Sets and Systems 37 (1990) 65–75.

 

[3] A. Bardossy, I. Bogardi, L. Duckstein, Fuzzy regression in hydrology,Water Resources Res. 26 (1990) 1497–1508.

 

[4] L.A. Zadeh, Fuzzy sets, Inform. and Control 8 (1965) 338–353.

 

[5] L.A. Zadeh, Fuzzy sets and information granularity, in: M.M. Gupta, R.K. Ragade, R.R. Yager (Eds.), Advances in Fuzzy Set Theory and Applications, North Holland, Amsterdam, (1979), pp. 3–18.

 

[6] L.A. Zadeh, Fuzzy logic = computing with words, IEEE Trans. Fuzzy Systems 4 (2) (1996) 103–111.

[7] H. Tanaka, Fuzzy data analysis by possibilistic linear models, Fuzzy Sets and Systems, 24(1987), 363-375.

 

 [8] H. Tanaka, I. Havashi and J. Watada,. Possibilistic Liner regression analysis for fuzzy data, European J. Oper. Res., (1989)   40: 389-396.

 

 [9] J. Mohammadi, S. M. Taheri, Pedomodels  fitting with fuzzy least squares regression, Iraninan J. Fuzzy Systems, (2004) 1 (2): 45-61.

 

[10] R. Xu, C. Li, Multidimentional least-squares fitting with a fuzzy model, fuzzy Sets and Systems, (2001)119: 215-223.

 

 [11] M. Hojati, C. R. Bector, Smimou K. A Simple Method of Fuzzy Linear Regression. European Journal of Operational Research (2005); 166; 172-184.

 

[12] G. Peters, Fuzy Linear Regression with fuzzy intervals. Fuzzy Sets and Systems (1994); 63; 45-55.

 

[13] L.A. Zadeh, A Note on Z-numbers, Information Sciences 181 (2011) 2923–2932.

[14] S. Ezadi, T.  Allahviranloo, Numerical solution of linear regression based on Z-numbers by improved neural network, paper accept.

 

[15] S. Ezadi, T. Allahviranloo, New multi-layer method for Z-number ranking using Hyperbolic Tangent function and convex combination, Intelligent Automation Soft Computing., (2017), 1-7.

 

[16] S. Ezadi, T. Allahviranloo, Two new methods for ranking of Z-numbers based on sigmoid function and sign method, International Journal of Intelligent Systems., (2018), 1-12.

 

[17] B. Kang, D. WEI, Y. LI and Y. DENG, Decision Making Using Z-numbers under Uncertain Environment, Journal of Computational Information Systems, 7 (2012) 2807–2814.

 

 [18] B. Kang, D. Wei, Y. Li, Y. Deng, A method of converting Z-number to classical fuzzy number, Journal of Information and Computational Scienc., 3 ( 2012), 703-709.

 

[19] R.A. Alive, A.V. Alizadeh, O.H. Huseynov, The arithmetic of discrete Z-numbers, Inform. Sciences., 290 (2015) 134-155.

 

[20] R.A. Alive, O.H. Huseynov, R.R. Alive, A.V. Alizadeh, The arithmetic of Z-numbers. Theory and Applications, World Scientific, Singapore, (2015).

 

[21] R.A. Alive, O.H. Huseynov, and R. Serdaroglu, Ranking of Z-numbers, and its Application in Decision Making. Int. J.

 

[22] ASA. Bakar, A. Gegov, (2015) Multi-layer decision methodology for ranking Z-numbers. Int J Comput Intell Syst, 8:395–406.

 

[23] H. J. Zimmermann, Fuzzy set theory and its applications, Kluwer Academic, Boston, (1991).