| DC Field | Value | Language |
|---|
| dc.contributor.author | Герман, Ю. О. | - |
| dc.contributor.author | Герман, О. В. | - |
| dc.date.accessioned | 2016-09-19T12:23:28Z | - |
| dc.date.accessioned | 2017-07-13T06:34:24Z | - |
| dc.date.available | 2016-09-19T12:23:28Z | - |
| dc.date.available | 2017-07-13T06:34:24Z | - |
| dc.date.issued | 2016 | - |
| dc.identifier.citation | Герман, Ю. О. Модель прогнозирования с использованием нечеткого обучающего множества / Ю. О. Герман, О. В. Герман // Доклады БГУИР. - 2016. - № 5 (99). - С. 18 - 23. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/8795 | - |
| dc.description.abstract | Рассматривается задача построения численного прогноза с использованием обучающего
нечеткого множества. Поставленная в статье общая проблема связана с доопределением
значений нечеткого вектора и его оценкой. При этом решается две задачи: разработка
метода для генерации нечеткого прогнозного значения с ожидаемым (в статистическом
смысле) значением нечеткой меры и оценка качества прогноза. Представленный
математический аппарат базируется на технике построения четкого многомерного
классификатора и его использования для определения нечеткой меры принадлежности с
последующей оценкой вероятностей нечетких векторов по Р. Ягеру. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | доклады БГУИР | ru_RU |
| dc.subject | нечеткое обучающее множество | ru_RU |
| dc.subject | мера принадлежности | ru_RU |
| dc.subject | классификация | ru_RU |
| dc.subject | прогноз | ru_RU |
| dc.subject | fuzzy learning set | ru_RU |
| dc.subject | membership measure function | ru_RU |
| dc.subject | classification, forecasting | ru_RU |
| dc.title | Модель прогнозирования с использованием нечеткого обучающего множества | ru_RU |
| dc.title.alternative | A forecasting model on the basis of a fuzzy learning set | ru_RU |
| dc.type | Article | ru_RU |
| local.description.annotation | A problem of constructing a numeric forecasting evaluator on the basis of a fuzzy learning set is
considered. The stated general problem is connected to the definition of the missing fuzzy vector
co-ordinates and their evaluation. The general formulation is divided into two tasks: to build a
method producing missing fuzzy forecasting values with expected value of a fuzzy measure and
forecasting quality estimation. The given mathematical backgrounds are based on the model of a
multidimensional crisp classifier and its usage for the fuzzy measure definition with the following
evaluation on the basis of the fuzzy vectors probabilities by R. Yager. | - |
| Appears in Collections: | №5 (99)
|
