跳到主要內容

臺灣博碩士論文加值系統

(44.222.218.145) 您好!臺灣時間:2024/02/26 22:44
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:劉瑛展
研究生(外文):Liu, Ying-Jang
論文名稱:自適應性共振理論為基礎之智慧模糊類神經存量預測系統
論文名稱(外文):An Adaptive Resonance Theory Based Intelligent Neural Fuzzy Forecasting System
指導教授:張家和張家和引用關係
指導教授(外文):Chang, Chir-Ho
學位類別:碩士
校院名稱:華梵大學
系所名稱:工業管理研究所
學門:商業及管理學門
學類:其他商業及管理學類
論文種類:學術論文
論文出版年:1998
畢業學年度:86
語文別:中文
論文頁數:178
中文關鍵詞:自適應共振理論存量預測類神經網路模糊理論
外文關鍵詞:Adaptive Resonance TheoryFuzzy SystemTime-Space AlgorithmDemand ForecaseNeural Fuzzy Model
相關次數:
  • 被引用被引用:1
  • 點閱點閱:528
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
  本研究旨在對存貨存量預測問題分析與研究,希望經由對存量問題的分析與探討,尋找出存量預測之重要參數,再進而引進類神經網路模型並結合模糊理論嚐試建構一個智慧存量預測模糊類神經系統。
  在研究中將自適應共振理論(Adaptive Resonance Theory ; ART)類神經網路模型導入研究中,藉由ART所具有的特質,同時保有「可塑性」與「穩定性」的優點將其運用於處理具有時間序列遞移特質之變動性存貨量資料之預測問題上。在研究中首先就時間序列資料於以量化映射成為一個一個獨立的樣板(Pattern),再將此量化後的樣本樣板群送入ART網路中進行聚類分析與分群工作。同時分析ART網路之適用性與否,並針對時間序列資料所獨有的特性,設計一個適用而且符合ART網路精神之新的ART網路模型(時空ART網路),最後再將此一新型之ART網路模型之分析聚類加入模糊理論,藉由模糊理論在處理不確定性問題上的優異表現,建立一個「智慧時空ART類神經模糊存量預測系統」最後將此一「智慧時空ART類神經模糊存量預測系統」應用於存量之預測上。
  經實證後,本研究可以得到以下之結果:(1)具有時間遞移特性之存量資料,可以成功的透過個別小視窗(Window)的切割推移,將其映射量化成個別獨立的樣板,用以供給ART網路歸類分群之用。(2)將實數值型態的存貨需求資料以二進位編碼的方似,量化成二元值的樣板(Pattern);或是再經過格雷碼編碼,然後將二元值的樣板群送入典型ART1網路進行聚類分群,雖然可以成功的分類,然而其分類的結果,類別內的相似程度表現不甚理想,有其應用上的限制。(3)將實數型態的存貨需求資料送入典型ART2網路進行聚類分群,雖然可以成功的進行分類,期分群結果同樣的亦不甚理想。(4)透過計算兩向量之間之cos夾角大小(純量積),作為判斷兩向量之間相似程度,建立新型的ART網路模型(時空ART網路),並以此ART網路模型對具有時間序列特性之關數值樣板進行聚類分群,其結果較典型的ART1與ART2網路都為佳。(5)將模糊理論導入前述之時空ART網路之中,藉由模糊理論對於處理不確定性問題之優異特性,可以將此一類神經模糊模型應用於預測上(5)以時空ART網路從事多期的預測,亦可以有不錯的表現,顯示出時空ART,除了能夠對未來下一期做預測外,同時也具有同時對未來多期存量預測的能力。(6) 本研究經由結合時空ART網路與模糊理論,成功地建立「時空ART類神經模糊智慧存量預測系統」。(7)研究中所建立之「時空ART類神經模糊智慧存量預測系統」除了能夠以過去的歷史資料作為未來需求數量預測的依據,尚具有ART網路能夠保有原先已學習過之記憶而且還能夠對於新的事物自動學習與新增樣板的能力。
  The purpose of this research is to examine how to use an improved artificial neural network and fuzzy model to forecast the inventory amont/demand based on a historic time series data set. We first examined the existing adaptive resonance theory based networks to see if they are suitable to solve our problem. A continuous data set was processed and subdivided by using a sliding window of fixed-length before analysis is conducted. Taking the advantages of ARTs, it is verified that plasticity and stability are maintained. Unfortunately, when apply existing ART-based neural networks to classify the patterns, we have fair results. These results: partially came from an unproper bit-map coding scheme, or partially came from thelessential confontation of binary/analog data.
  We proposed a time-space trainning algorithm for an ART-based neural network. The algorithm differs with earlier versions of training in several aspects: 1) the use of cosine angle to depict the similarity of two vectors, 2) no rrecursive iterations as ART2 are needed, and 3) the dynamic data set needs no binarizing.
  The inventory demand forecast is performed via a combining of artificial neural and fuzzy ststem. Whenever there is a new pattern developed (over a pre-specified vigilance paremeter) during the dynamic learning process, a new rule is automatically established in our fuzzy system and added to the knowldege base where historic data acted as domain expert. Simulation results show that the proposed time space embedded ART nerual model outperforms those use ART1, ART2A, and ART2 conventional algorithms in pattern classification when using a pseudo-inventory data set of one hundred terms. Besides, the intelligent forecast system can predict quite correctly (within a reasonable RMS value) up to a consecutive up to six terms into the unknown future. Since forecasting problems, in general, involve a lot of factors, more time and energy could be dedicated to the multi-ART, multi-pattern, advanced fuzzy systems.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊