particle swarm optimized autonomous learning fuzzy system amirsh.nll@gmail.com seaman university - Msc. Artificial intelligence

1. Amir Shokri
‫یادگیری‬ ‫فازی‬ ‫سیستم‬‫خودمختار‬‫با‬POS
Amirsh.nll@gmail.com
Dr. Kourosh Kiani

2. ‫مقدمه‬
2
‫و‬ ‫پیشین‬ ‫های‬ ‫بخش‬‫فعلی‬‫سطح‬ ‫در‬ ‫تحول‬ ‫حال‬ ‫در‬ ‫هوشمند‬ ‫سیستم‬ ‫یک‬‫اول‬EIS‫اعتبار‬‫می‬ ‫تعیین‬ ‫را‬ ‫سیستم‬ ‫کلی‬ ‫عملکرد‬ ‫و‬ ‫یادگیری‬ ‫نتایج‬
‫کند‬.
‫با‬‫پارامترهای‬ ‫کمترین‬ ‫به‬ ‫اما‬ ، ‫کنند‬ ‫می‬ ‫تأکید‬ ‫سیستم‬ ‫شناسایی‬ ‫دیدگاه‬ ‫از‬ ‫بودن‬ ‫جدید‬ ‫بر‬ ‫بیشتر‬ ‫مدرن‬ ‫های‬ ‫تکنیک‬ ، ‫وجود‬ ‫این‬‫توجه‬ ‫آموخته‬
‫می‬ ‫کمتری‬‫کنند‬.
‫این‬‫یادگیری‬ ‫چندگانه‬ ‫سیستم‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫مقاله‬‫مستقل‬ALMMo‫به‬‫رویکرد‬ ‫یک‬ ‫مقاله‬ ‫این‬ ، ‫اجرای‬ ‫پایه‬ ‫عنوان‬ ‫به‬ ، ‫شده‬ ‫معرفی‬ ‫تازگی‬
‫بر‬ ‫مبتنی‬PSO‫معرفی‬‫می‬‫کند‬.
‫روش‬‫از‬ ‫آن‬ ‫متعاقب‬ ‫و‬ ‫پیشین‬ ‫پارامترهای‬ ‫همزمان‬ ‫است‬ ‫قادر‬ ‫پیشنهادی‬ALMMo‫را‬‫با‬ ‫را‬ ‫سیستم‬ ‫عملکرد‬ ‫مؤثر‬ ‫طور‬ ‫به‬ ‫و‬ ‫کند‬ ‫بهینه‬
‫راه‬ ‫جستجوی‬ ‫در‬ ‫مکرر‬ ‫جستجوی‬‫های‬ ‫حل‬‫بهبود‬ ‫مشکل‬ ‫فضاهای‬ ‫در‬ ‫بهینه‬‫بخشد‬.

3. ‫مقدمه‬
3
‫عالوه‬‫یادگیری‬ ‫توانایی‬ ‫پیشنهادی‬ ‫سازی‬ ‫بهینه‬ ‫رویکرد‬ ، ‫این‬ ‫بر‬"one pass"‫از‬ALMMo‫را‬‫دهد‬ ‫نمی‬ ‫قرار‬ ‫تأثیر‬ ‫تحت‬.‫اتمام‬ ‫از‬ ‫پس‬
، ‫سازی‬ ‫بهینه‬ ‫فرآیند‬ALMMo‫می‬‫آموزش‬ ‫بدون‬ ‫و‬ ‫بازگشتی‬ ‫صورت‬ ‫به‬ ‫را‬ ‫غیب‬ ‫های‬ ‫داده‬ ‫الگوهای‬ ‫تا‬ ‫بگیرد‬ ‫یاد‬ ‫جدید‬ ‫های‬ ‫داده‬ ‫از‬ ‫تواند‬
‫مجدد‬‫بگنجاند‬.
‫مطالعات‬‫کند‬ ‫می‬ ‫تأیید‬ ‫را‬ ‫کلی‬ ‫اصول‬ ‫و‬ ‫پیشنهادی‬ ‫مفهوم‬ ، ‫واقعی‬ ‫دنیای‬ ‫در‬ ‫معیار‬ ‫مشکالت‬ ‫از‬ ‫تعدادی‬ ‫با‬ ‫تجربی‬.
‫همچنین‬‫انواع‬ ‫سایر‬ ‫برای‬ ‫تواند‬ ‫می‬ ‫پیشنهادی‬ ‫سازی‬ ‫بهینه‬ ‫رویکرد‬ ‫که‬ ‫است‬ ‫شده‬ ‫تأیید‬EIS‫با‬‫شود‬ ‫اعمال‬ ‫مشابه‬ ‫عملیاتی‬ ‫های‬ ‫مکانیسم‬.

4. ‫مقاله‬ ‫های‬ ‫ارزش‬
4
‫شود‬ ‫می‬ ‫ختم‬ ‫زیر‬ ‫موارد‬ ‫به‬ ‫آن‬ ‫ی‬ ‫نویسنده‬ ‫نظر‬ ‫از‬ ‫مقاله‬ ‫این‬ ‫بودن‬ ‫فرد‬ ‫به‬ ‫منحصر‬ ‫داللیل‬:
-‫یک‬‫بر‬ ‫مبتنی‬ ‫رویکرد‬PSO‫متعارف‬‫دو‬ ‫هر‬ ‫سازی‬ ‫بهینه‬ ‫برای‬‫نتایج‬‫و‬ ‫قبلی‬‫فعلی‬‫از‬ ‫آن‬EIS‫به‬ ‫که‬‫مشاهدات‬ ‫اساس‬ ‫بر‬ ‫همزمان‬ ‫طور‬
‫است‬ ‫تاریخی‬.
-‫برای‬ ‫یادگیری‬ ‫مکانیسم‬ ‫یک‬EIS‫عبور‬ ‫روش‬ ‫به‬ ‫جدید‬ ‫مشاهدات‬ ‫از‬ ‫یادگیری‬ ‫برای‬ ‫شده‬ ‫بهینه‬ ‫های‬one pass‫از‬‫برای‬ ‫سازی‬ ‫بهینه‬
‫داده‬ ‫جدید‬ ‫الگوهای‬ ‫کردن‬ ‫کارآمدتر‬.

5. ‫اصطالحات‬
5
EIS : evolving intelligent system
PSO : partial swarm optimization

6. ‫الگوریتم‬PSO
6
PSO‫یک‬‫شده‬ ‫معرفی‬ ‫ابرهارت‬ ‫و‬ ‫کندی‬ ‫توسط‬ ‫بار‬ ‫اولین‬ ‫که‬ ‫است‬ ‫تکامل‬ ‫و‬ ‫اکتشافی‬ ، ‫جمعیت‬ ‫بر‬ ‫مبتنی‬ ‫الگوریتم‬‫است‬.
‫در‬PSO،‫را‬ ‫بهترین‬ ‫و‬ ‫فردی‬ ‫های‬ ‫تجربه‬ ‫بهترین‬ ‫از‬ ‫آموختن‬ ‫با‬ ، ‫خاص‬ ‫مشکل‬ ‫فضای‬ ‫یک‬ ‫در‬ ‫ها‬ ‫حل‬ ‫راه‬ ‫یادگیری‬ ‫برای‬ ‫ای‬ ‫ذره‬ ‫جمعیت‬‫ه‬
‫دارند‬ ‫تعامل‬ ‫و‬ ‫همکاری‬ ‫ها‬ ‫توده‬ ‫کل‬ ‫تاکنون‬ ‫جهانی‬ ‫حل‬.
PSO‫به‬‫مهن‬ ‫و‬ ‫تحقیق‬ ‫مختلف‬ ‫مشکالت‬ ‫برای‬ ‫گسترده‬ ‫سازی‬ ‫بهینه‬ ‫ابزاری‬ ‫به‬ ، ‫خود‬ ‫محاسباتی‬ ‫کارایی‬ ‫و‬ ‫عملیاتی‬ ‫سادگی‬ ‫دلیل‬‫تبدیل‬ ‫دسی‬
‫است‬ ‫شده‬.
‫در‬‫نسخه‬ ‫از‬ ‫مختلفی‬ ‫انواع‬ ، ‫گذشته‬ ‫دهه‬ ‫دو‬‫الگوریتم‬ ‫این‬ ‫اصلی‬‫دارد‬ ‫آن‬ ‫عملکرد‬ ‫بیشتر‬ ‫بهبود‬ ‫در‬ ‫سعی‬ ‫که‬ ‫است‬ ‫شده‬ ‫معرفی‬.

7. ‫الگوریتم‬PSO
7
‫خالصه‬ ‫زیر‬ ‫نوع‬ ‫چهار‬ ‫در‬ ‫توان‬ ‫می‬ ‫را‬ ‫معمول‬ ‫انواع‬‫کرد‬:
(1‫محلی‬ ‫توپولوژی‬
(2‫پارامتر‬ ‫کنترل‬
(3‫روش‬‫های‬‫ترکیبی‬
(4‫طرح‬‫یادگیری‬‫زمان‬
‫از‬‫های‬ ‫الگوریتم‬ ‫که‬ ‫آنجا‬‫توانایی‬ ‫ژنتیک‬، ‫دارند‬ ‫خوبی‬ ‫اکتشاف‬PSO‫یادگیری‬ ‫نوع‬ ‫یک‬‫ژنتیکی‬‫تقویت‬ ‫برای‬‫عملکرد‬‫که‬ ‫است‬ ‫آن‬‫تولید‬ ‫با‬
‫های‬ ‫نمونه‬‫شده‬ ‫پیشنهاد‬ ‫ذرات‬ ‫تکامل‬ ‫هدایت‬ ‫برای‬ ‫باال‬ ‫کیفیت‬ ‫با‬‫است‬.

8. ‫الگوریتم‬PSO
8
‫در‬‫های‬ ‫الگوریتم‬ ، ‫حاضر‬ ‫حال‬PSO‫با‬‫خوشه‬ ، ‫مثال‬ ‫عنوان‬ ‫به‬ ، ‫مشکالت‬ ‫از‬ ‫بسیاری‬ ‫در‬ ‫موفقیت‬،‫کنترل‬ ،‫بندی‬‫و‬ ‫ها‬ ‫ویژگی‬ ‫انتخاب‬
‫شده‬ ‫استفاده‬ ‫تصویر‬ ‫پردازش‬‫است‬.
‫همچنین‬‫که‬ ‫دارد‬ ‫وجود‬ ‫روش‬ ‫تعدادی‬PSO‫را‬‫آموزش‬ ‫برای‬‫های‬ ‫سیستم‬‫فازی‬‫و‬‫می‬ ‫درگیر‬ ‫مصنوعی‬ ‫عصبی‬ ‫های‬ ‫شبکه‬‫کند‬.
‫با‬‫سناریوهای‬ ‫به‬ ‫محدود‬ ‫رویکردهایی‬ ‫چنین‬ ، ‫حال‬ ‫این‬offline‫هستند‬‫کامل‬ ‫بازآفرینی‬ ‫به‬ ‫نیاز‬ ‫داده‬ ‫جدید‬ ‫الگوهای‬ ‫بروز‬ ‫صورت‬ ‫در‬ ‫و‬
‫دارند‬.
‫بنابراین‬‫های‬ ‫محیط‬ ‫به‬ ‫که‬ ‫هایی‬ ‫برنامه‬ ‫در‬ ‫آنها‬ ،"‫داده‬ ‫از‬ ‫سرشار‬"‫اند‬ ‫شده‬ ‫محدود‬ ‫شوند‬ ‫می‬ ‫مربوط‬.

9. ‫سیستم‬ ‫ساختار‬ALMMo
9

10. ‫سیستم‬ ‫سازی‬ ‫بهینه‬ALMMo‫با‬PSO
10

11. ‫فلوچارت‬PSO‫ی‬ ‫پایه‬ ‫بر‬EIS
11

12. ‫بنچمارک‬ ‫و‬ ‫تست‬ ‫های‬ ‫داده‬ ‫با‬ ‫واقعی‬ ‫دنیای‬ ‫ایی‬‫ر‬‫کا‬ ‫ی‬ ‫مقایسه‬
12

13. ‫پیشنهادی‬ ‫سازی‬ ‫بهینه‬ ‫الگوریتم‬ ‫ایی‬‫ر‬‫همگ‬ ‫منحنی‬
13
𝑥2
= −2Σℎ=1
𝐻
ln(𝑝ℎ)

14. ‫مالحضات‬
14
‫تواند‬ ‫می‬ ‫پیشنهادی‬ ‫رویکرد‬ ‫که‬ ‫دهد‬ ‫می‬ ‫نشان‬ ‫مقاله‬ ‫این‬ ‫در‬ ‫شده‬ ‫ارائه‬ ‫عددی‬ ‫های‬ ‫نمونه‬EIS‫کند‬ ‫بهینه‬ ‫بهتر‬ ‫عملکرد‬ ‫برای‬ ‫را‬ ‫اولیه‬ ‫های‬.
‫به‬‫ذکر‬ ‫قابل‬ ‫زیر‬ ‫اظهارات‬ ، ‫ویژه‬‫است‬:
،‫اینکه‬ ‫اول‬‫عملکرد‬EIS‫مرتبه‬‫قانون‬ ‫فرم‬ ، ‫مدل‬ ‫اندازه‬ ‫جمله‬ ‫از‬ ، ‫مختلف‬ ‫عوامل‬ ‫از‬ ‫بسیاری‬ ‫به‬ ‫اول‬(‫و‬ ‫صفر‬ ‫مرتبه‬ ، ‫مثال‬ ‫عنوان‬ ‫به‬
‫اول‬ ‫مرتبه‬)‫دارد‬ ‫بستگی‬ ‫عضویت‬ ‫عملکرد‬ ‫نوع‬ ،(، ‫مثال‬ ‫عنوان‬ ‫به‬‫گوسی‬،Cauchy‫و‬ ،‫مثلثی‬.)
EIS‫همچنین‬‫رفتار‬ ‫متفاوت‬ ‫بسیار‬ ‫مختلف‬ ‫مشکالت‬ ‫برای‬ ‫آنها‬ ‫ماهیت‬ ‫به‬ ‫بسته‬ ‫است‬ ‫ممکن‬‫کند‬.
،‫اینکه‬ ‫دوم‬PSO،‫در‬ ‫را‬ ‫بهتری‬ ‫نتیجه‬ ، ‫کلی‬ ‫طور‬ ‫به‬‫اندازه‬‫می‬ ‫ایجاد‬ ‫مشکل‬ ‫فضای‬ ‫کمتری‬ ‫ابعاد‬ ‫دلیل‬ ‫به‬ ‫کوچکتر‬ ‫مدل‬‫کند‬.
‫جایی‬‫که‬PSO‫برای‬‫سازی‬ ‫بهینه‬EIS‫مرتبه‬‫شود‬ ‫می‬ ‫مشاهده‬ ، ‫شود‬ ‫می‬ ‫استفاده‬ ‫صفر‬.

15. ‫متلب‬ ‫کد‬
15
clear all
clc
close all
%% Loading Autompg data
% load autompg_train;
% load autompg_test;
% TRAIN=autompg_train;
% TEST=autompg_test;
% Y0 = TRAIN(:,7);
% data0 = TRAIN(:,1:6);
% Y1 = TEST(:,7);
% data1 = TEST(:,1:6);
%% Loading Delta Ailerons data
% load deltaailerons_train;

16. ‫متلب‬ ‫کد‬
16
% load deltaailerons_test;
% TRAIN=deltaailerons_train;
% TEST=deltaailerons_test;
% Y0 = TRAIN(:,6);
% data0 = TRAIN(:,1:5);
% Y1 = TEST(:,6);
% data1 = TEST(:,1:5);
%% Loading Triazines data
% load triazines_train;
% load triazines_test;
% TRAIN=triazines_train;
% TEST=triazines_test;
% Y0 = TRAIN(:,61);
% data0 = TRAIN(:,1:60);
% Y1 = TEST(:,61);

17. ‫متلب‬ ‫کد‬
17
% data1 = TEST(:,1:60);
%% Loading Autos data
load autos_train;
load autos_test;
TRAIN=autos_train;
TEST=autos_test;
Y0= TRAIN(:,16);
data0 = TRAIN(:,1:15);
Y1 = TEST(:,16);
data1 = TEST(:,1:15);
%% Loading Calhousing data
% load calhousing_train;
% load calhousing_test;
% TRAIN=calhousing_train;

18. ‫متلب‬ ‫کد‬
18
% TEST=calhousing_test;
% Y0 = TRAIN(:,9);
% data0 = TRAIN(:,1:8);
% Y1 = TEST(:,9);
% data1 = TEST(:,1:8);
Input.data0=data0; % training input
Input.data1=data1; % testing input
Input.Y0=Y0; % training output
Input.Y1=Y1; % testing output
Input.MaxIt=200; % maximum iteration number for PSO algorithm
Input.nPop=100; % population number for PSO algorithm
Input.w=0.7298; % inertia weight for PSO algorithm

19. ‫متلب‬ ‫کد‬
19
Input.cp=1.49618; % c1 for PSO algorithm
Input.cs=1.49618; % c2 for PSO algorithm
Input.wdamp=1; % damping coefficient for PSO algorithm
[Output]=PSOALFS(Input);
Prediction=Output.PreSeq; % predicted output
Output.RMSE % RMSE of the prediction

20. ‫نتیجه‬
20
‫مبتنی‬ ‫رویکرد‬ ‫یک‬ ‫مقاله‬ ‫این‬ ‫در‬‫بر‬PSO‫برای‬‫سازی‬ ‫بهینه‬EIS‫است‬ ‫شده‬ ‫ارائه‬.‫محور‬ ‫داده‬ ً‫ا‬‫صرف‬ ‫و‬ ‫عمومی‬ ‫پیشنهادی‬ ‫رویکرد‬‫است‬.
‫مقاله‬ ‫این‬‫و‬ ‫پیشین‬ ‫پارامترهای‬ ‫همزمان‬ ‫طور‬ ‫به‬‫را‬ ‫فعلی‬‫از‬EIS‫بهینه‬‫مشاهده‬ ‫های‬ ‫داده‬ ‫اساس‬ ‫بر‬ ‫را‬ ‫بهینه‬ ‫های‬ ‫مدل‬ ‫یادگیری‬ ‫و‬ ، ‫کند‬ ‫می‬
‫می‬ ‫انجام‬ ‫تاریخی‬ ‫شده‬‫دهد‬.
‫عالوه‬‫یادگیری‬ ‫رفتارهای‬ ‫و‬ ‫عملیاتی‬ ‫های‬ ‫مکانیزم‬ ‫پیشنهادی‬ ‫رویکرد‬ ، ‫این‬ ‫بر‬EIS‫را‬‫نمی‬ ‫تغییر‬‫دهد‬.
‫مدل‬‫روز‬ ‫به‬ ‫مجدد‬ ‫آموزش‬ ‫بدون‬ ‫و‬ ‫مرحله‬ ‫یک‬ ‫صورت‬ ‫به‬ ‫جدید‬ ‫مشاهدات‬ ‫از‬ ‫را‬ ‫خود‬ ‫مداوم‬ ‫طور‬ ‫به‬ ‫تواند‬ ‫می‬ ‫شده‬ ‫سازی‬ ‫بهینه‬ ‫سیستم‬‫کند‬.
‫تحقیقات‬‫پیش‬ ‫سازی‬ ‫بهینه‬ ‫رویکرد‬ ‫که‬ ‫دهد‬ ‫می‬ ‫نشان‬ ‫واقعی‬ ‫دنیای‬ ‫های‬ ‫داده‬ ‫بر‬ ‫مبتنی‬ ‫معیار‬ ‫مشکالت‬ ‫از‬ ‫وسیعی‬ ‫طیف‬ ‫با‬ ‫تجربی‬‫به‬ ‫نهادی‬
‫کلی‬ ‫عملکرد‬ ‫موثری‬ ‫طور‬EIS‫را‬‫بخشد‬ ‫می‬ ‫بهبود‬.

21. ‫نتیجه‬
21
‫وجود‬ ‫بعدی‬ ‫کارهای‬ ‫برای‬ ‫مختلفی‬ ‫مالحظات‬‫دارد‬:
،‫اینکه‬ ‫اول‬‫سازی‬ ‫بهینه‬ ‫فرآیند‬ ‫طی‬ ‫در‬ ‫شده‬ ‫شناسایی‬ ‫فازی‬ ‫قوانین‬ ‫کیفیت‬ ‫بر‬ ‫نظارت‬ ‫برای‬ ‫را‬ ‫جدیدی‬ ‫مکانیزم‬ ‫هر‬ ‫که‬ ‫است‬ ‫جالب‬‫بررسی‬ ،
‫معرفی‬ ‫و‬‫کنید‬.
‫با‬‫دست‬ ‫نیاز‬ ‫مورد‬ ‫حافظه‬ ‫و‬ ‫محاسباتی‬ ‫منابع‬ ‫درمورد‬ ‫راحتی‬ ‫به‬ ‫توان‬ ‫می‬ ، ‫فایده‬ ‫بی‬ ‫فازی‬ ‫قوانین‬ ‫حذف‬‫کرد‬ ‫پیدا‬ ‫یابی‬.
،‫اینکه‬ ‫دوم‬‫ب‬ ‫تواند‬ ‫می‬ ‫که‬ ‫خاصی‬ ‫معیارهای‬ ‫تهیه‬ ، ‫شود‬ ‫می‬ ‫انجام‬ ‫آنالین‬ ‫یادگیری‬ ‫فرایند‬ ‫پایان‬ ‫در‬ ‫راحتی‬ ‫به‬ ‫سازی‬ ‫بهینه‬ ‫فرایند‬‫ه‬EIS
‫کمک‬‫مفید‬ ‫بسیار‬ ، ‫کنند‬ ‫تعیین‬ ‫خود‬ ‫به‬ ، ‫باال‬ ‫سیستم‬ ‫عملکرد‬ ‫از‬ ‫اطمینان‬ ‫برای‬ ‫سیستم‬ ‫سازی‬ ‫بهینه‬ ‫انجام‬ ‫هنگام‬ ‫در‬ ‫تا‬ ‫کند‬‫اس‬‫ت‬.
‫جهت‬‫جایگزین‬ ‫های‬ ‫تکنیک‬ ‫گرفتن‬ ‫نظر‬ ‫در‬ ‫دیگر‬ ‫مهم‬‫به‬‫مثال‬ ‫عنوان‬GA‫است‬.‫مختلف‬ ‫های‬ ‫تکنیک‬EC‫دارای‬‫منفی‬ ‫و‬ ‫مثبت‬ ‫جوانب‬
‫از‬ ‫استفاده‬ ‫با‬ ‫مقایسه‬ ‫در‬ ‫آنها‬ ‫عملکرد‬ ‫نحوه‬ ‫بررسی‬ ‫است‬ ‫ممکن‬ ، ‫هستند‬PSO‫مفید‬‫باشد‬.

22. ‫منابع‬
22
• Source Code : https://github.com/Gu-X/Particle-Swarm-Optimized-Autonomous-Learning-Fuzzy-System
• Paper : https://ieeexplore.ieee.org/document/9005378
• Paper Resources :
• [1] I. ˘Skrjanc, J. Iglesias, A. Sanchis, D. Leite, E. Lughofer, and F. Gomide, “Evolving fuzzy and neuro-fuzzy approaches in clustering, regression,
identification, and classification: A survey,” Inf. Sci., vol. 490, pp. 344–368, Jul. 2019.
• [2] E. Lughofer, “Evolving fuzzy systems-fundamentals, reliability, interpretability, useability, applications,” in Handbook on Computational Intelligence, P.
Angelov, Ed. New York, NY, USA: World Science, 2016, pp. 67–135.
• [3] L. Maciel, R. Ballini, and F. Gomide, “Evolving possibilistic fuzzy modeling for realized volatility forecasting with jumps,” IEEE Trans. Fuzzy Syst., vol. 25, no.
2, pp. 302–314, Apr. 2017.
• [4] A. B. Asghar and X. Liu, “Adaptive neuro-fuzzy algorithm to estimate effective wind speed and optimal rotor speed for variable-speed wind turbine,”
Neurocomputing, vol. 272, pp. 495–504, Jan. 2018.
• [5] R. Eberhart and J. Kennedy, “A new optimizer using particle swarm theory,” in Proc. Int. Symp. Micro Mach. Human Sci., 1995, pp. 39–43.
• [6] R. Eberhart and J. Kennedy, “Particle swarm optimization,” in Proc. IEEE Int. Conf. Neural Netw., 1995, pp. 1942–1948

23. ‫منابع‬
23
• . [7] P. P. Angelov, X. Gu, and J. C. Principe, “Autonomous learning multimodel systems from data streams,” IEEE Trans. Fuzzy Syst., vol. 26, no. 4, pp. 2213–
2224, Aug. 2018.
• [8] I. ˘Skrjanc, G. Andonovski, A. Ledezma, O. Sipele, J. A. Iglesias, and A. Sanchis, “Evolving cloud-based system for the recognition of drivers’ actions,”
Expert Syst. Appl., vol. 99, pp. 231–238, Jul. 2018.
• [9] N. Anh, S. Suresh, M. Pratama, and N. Srikanth, “Interval prediction of wave energy characteristics using meta-cognitive interval type-2 fuzzy inference
system,” Knowl. Based Syst., vol. 169, pp. 28–38, Apr. 2019.
• [10] J. S.-R. Jang, “ANFIS: Adaptive-network-based fuzzy inference system,” IEEE Trans. Syst., Man, Cybern., Syst., vol. 23 no. 3, pp. 665–685, May/Jun. 1993.
• [11] N. K. Kasabov and Q. Song, “DENFIS: Dynamic evolving neural-fuzzy inference system and its application for time-series prediction,” IEEE Trans. Fuzzy
Syst., vol. 10, no. 2, pp. 144–154, Apr. 2002.
• [12] R.-J. Bao, H.-J. Rong, P. P. Angelov, B. Chen, and P. K. Wong, “Correntropy-based evolving fuzzy neural system,” IEEE Trans. Fuzzy Syst., vol. 26, no. 3,
pp. 1324–1338, Jun. 2018.
• [13] M. Pratama, W. Pedrycz, and E. Lughofer, “Evolving ensemble fuzzy classifier,” IEEE Trans. Fuzzy Syst., vol. 26, no. 5, pp. 2552–2567, Oct. 2018.
• [14] P. P. Angelov and D. P. Filev, “An approach to online identification of Takagi–Sugeno fuzzy models,” IEEE Trans. Syst., Man, Cybern. B, Cybern., vol. 34,
no. 1, pp. 484–498, Feb. 2004.

24. ‫منابع‬
24
• [15] M. Pratama, S. G. Anavatti, M. J. Er, and E. D. Lughofer, “pClass: An effective classifier for streaming examples,” IEEE Trans. Fuzzy Syst., vol. 23, no. 2,
pp. 369–386, Apr. 2015.
• [16] E. D. Lughofer, “FLEXFIS: A robust incremental learning approach for evolving Takagi–Sugeno fuzzy models,” IEEE Trans. Fuzzy Syst., vol. 16, no. 6, pp.
1393–1410, Dec. 2008.
• [17] H.-J. Rong, N. Sundararajan, G.-B. Huang, and P. Saratchandran, “Sequential adaptive fuzzy inference system (SAFIS) for nonlinear system identification
and prediction,” Fuzzy Sets Syst., vol. 157, no. 9, pp. 1260–1275, 2006.
• [18] K. Subramanian, A. K. Das, S. Sundaram, and S. Ramasamy, “A metacognitive interval type-2 fuzzy inference system and its projection based learning
algorithm,” Evol. Syst., vol. 5, no. 4, pp. 219–230, 2014.
• [19] M. Pratama, J. Lu, and G. Zhang, “Evolving type-2 fuzzy classifier,” IEEE Trans. Fuzzy Syst., vol. 24, no. 3, pp. 574–589, Jun. 2016.
• [20] M. Pratama, S. G. Anavatti, P. P. Angelov, and E. Lughofer, “PANFIS: A novel incremental learning machine,” IEEE Trans. Neural Netw. Learn. Syst., vol. 25,
no. 1, pp. 55–68, Jan. 2014.
• [21] M. Pratama, S. G. Anavatti, and E. Lughofer, “GENEFIS: Toward an effective localist network,” IEEE Trans. Fuzzy Syst., vol. 22, no. 3, pp. 547–562, Jun.
2014.
• [22] P. Angelov and D. Filev, “Simple T–S: A simplified method for learning evolving Takagi–Sugeno fuzzy models,” in Proc. IEEE Int. Conf. Fuzzy Syst., 2005,
pp. 1068–1073.

25. Thank You
Amir shokri
Amirsh.nll@gmail.com
Dr. Kourosh Kiani