prediction of fuzzy nonparametric regression function: a comparative study of a new hybrid method and smoothing methods

In this paper, the fuzzy regression model is considered with crisp inputs and symmetric triangular fuzzy output. this study aims to formulate the fuzzy inference system based on the sugeno inference model for the fuzzy regression function prediction by the fuzzy least-squares problem-based on diamond’s distance. in this study, the fuzzy least-squares problem is used to optimize consequent parameters, and the results are derived based on the v-fold crossvalidation, so that the validity and quality of the proposed method can be guaranteed. the proposed method is used to reduce the bias and the boundary effect of the estimated underlying regression function. also, a comparative study of the fuzzy nonparametric regression function prediction is carried out between the proposed model and smoothing methods, such as k-nearest neighbor (k-nn), kernel smoothing (ks), and local linear smoothing (lls). different approaches are illustrated by some examples and the results are compared. comparing the results indicates that, among the various prediction models, the proposed model is the best, decreasing the boundary effect significantly. also, in comparison with different methods, in both one-dimensional and twodimensional inputs, it may be considered the best candidate for the prediction.

براورد تابع رگرسیون ناپارامتری فازی: مقایسه یک روش هیبریدی جدید با روشهای هموارسازی

در این مقاله ، مدل رگرسیون فازی با ورودی های غیر فازی و خروجی فازی مثلثی متقارن در نظر گرفته شده است. هدف از این مطالعه فرمول بندی سیستم استنتاج فازی بر اساس مدل استنتاج سوگنو برای پیش بینی عملکرد رگرسیون فازی توسط مسئله حداقل مربعات فازی بر اساس فاصله دیاموند است. در این مطالعه ، از مسئله حداقل مربعات فازی برای بهینه سازی پارامترهای هدف استفاده شده است و نتایج بر اساس روش اعتبار سنجی متقابل بررسی می شوند ، بنابراین می توان اعتبار و کیفیت روش پیشنهادی را تضمین کرد. روش پیشنهادی برای کاهش خطا و اثرات نقاط مرزی در رگرسیون استفاده می شود. همچنین ، یک مطالعه مقایسه ای از پیش بینی عملکرد رگرسیون ناپارامتری فازی بین مدل پیشنهادی و روش های هموار سازی ، مانند نزدیکترین همسایگی k ، هموار سازی هسته و هموار سازی خطی مکانی انجام شده است.. مقایسه نتایج نشان می دهد که ، در میان مدل های مختلف پیش بینی ، مدل پیشنهادی بهترین است که اثر مرزی را به طور قابل توجهی کاهش می دهد.