فهرس المقالات Adaptive Neural Fuzzy Inference System (ANFIS)

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - چرخه توسعه‌ و بخش‌بندی تامین‌کننده با استفاده از سیستم استنتاج عصبی- فازی انطباقی
  Mansour Esmaeilzadeh Laya Olfat Maghsoud Amiri Iman Raeesi Vanani
  10.30495/imj.2023.1961109.1778
  تتولیدکنندگان، بمنظور توسعه‌ی تامین‌کنندگان استراتژیک خود، آنها را بخش‌بندی می‌کنند. بخش‌بندی تامین‌کننده موجب ایجاد ارزش و هم افزایی در ارتباط با تامین‌کننده می‌شود. هدف این مقاله، ارتباط توسعه‌ی تامین‌کننده و بخش‌بندی تامین‌کننده با استفاده از سیستم استنتاج عصبی-فازی أکثر

  تتولیدکنندگان، بمنظور توسعه‌ی تامین‌کنندگان استراتژیک خود، آنها را بخش‌بندی می‌کنند. بخش‌بندی تامین‌کننده موجب ایجاد ارزش و هم افزایی در ارتباط با تامین‌کننده می‌شود. هدف این مقاله، ارتباط توسعه‌ی تامین‌کننده و بخش‌بندی تامین‌کننده با استفاده از سیستم استنتاج عصبی-فازی انطباقی در صنعت خودروسازی ایران است. برای تحقق این هدف، ابتدا برای مقوله‌های توسعه‌ی تامین‌کننده، با استفاده از سه روش، سه سیستم عصبی-فازی طراحی می‌شوند. سپس با استفاده از دو روش کلاسیک و چهار الگوریتم تکاملی، آنها را بهینه‌سازی و مناسبترین سیستم عصبی-فازی انتخاب می‌شود. در مرحله بعد نمره‌ی توسعه برای 53 تامین‌کننده از تامین‌کنندگان استراتژیک صنعت خودرو در چهار مقوله‌ پیش‌بینی می‌شود، براساس نمره‌های بدست آمده، تامین‌کنندگان بخش‌بندی می‌شوند. در نهایت، فعالیتهای لازم برای توسعه‌ی هرکدام از تامین‌کنندگان پیشنهاد می‌شوند. نتایج نشان می‌دهدکه صنعت خودروسازی ایران در توسعه‌ی مقوله‌های ناملموس و محیطی، عملکرد قابل قبولی داشته اما، در توسعه-ی مقوله‌های ملموس و روابط ضعیف عمل کرده است. بر این اساس، تولیدکنندگان صنعت خودروسازی ایران، باید بترتیب اولویت‌ بکارگیری فعالیتهای مرتبط با توسعه‌ی روابط، قابلیتهای ملموس، قابلیتهای ناملموس و قابلیتهای محیطی را رعایت کنند. با توجه به اینکه در این حوزه، مطالعات اندکی صورت گرفته است، در پایان، ضمن مقایسه‌ی این مطالعه با یکی از مطالعات خارجی انجام گرفته، پیشنهاداتی برای صنعت خودروسازی ایران و همچنین پژوهشهای آینده ارائه می‌شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - Improving the Performance of Adaptive Neural Fuzzy Inference System (ANFIS) Using a New Meta-Heuristic Algorithm
  Mehdi Khadem Abbas Toloie Eshlaghy Kiamars Fathi hafshejani
  10.30495/ijm2c.2023.1955549.1251
  The adaptive fuzzy neural inference system (ANFIS) is an efficient estimation model not only among fuzzy neural systems but also among other types of machine learning techniques. Despite its acceptance among researchers, ANFIS cited limitations such as inefficiencies in أکثر

  The adaptive fuzzy neural inference system (ANFIS) is an efficient estimation model not only among fuzzy neural systems but also among other types of machine learning techniques. Despite its acceptance among researchers, ANFIS cited limitations such as inefficiencies in large data and data problems, cost of computation, processing time and optimization, and error training. The ANFIS structural design is a complex optimization problem that can be improved using meta-heuristic algorithms. In this study, to optimize and reduce errors, a new meta-heuristic algorithm inspired by nomadic migration was designed and used to design an adaptive fuzzy neural system called the Qashqai nomadic meta-heuristic algorithm. The results of the hypothesis test showed that the Qashqai optimization algorithm is not defeated by the genetic algorithm and particle swarm and works well in terms of convergence to the optimal answer. In this hybrid algorithm, random data set are first generated and then trained by designing a basic fuzzy neural system. Subsequently, the parameters of the basic fuzzy system were adjusted according to the modeling error using the meta-heuristic optimization algorithm of Qashqai nomads. The fuzzy nervous system with the best values was obtained as the final result.The main achievements of the study are:• Improving ANFIS accuracy using a novel meta-heuristic algorithm.• Fix and remove some problems and Limitations in the Anfis model, such as inefficiencies in large data, cost of computation, Answer accuracy, and reduce errors.• Comparing the proposed ANFIS+QA with some recent related work such as ANFIS+QA and ANFIS+Pso. تفاصيل المقالة