Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

NFISiS : Nouvelles perspectives sur les systèmes d'inférence floue pour la prévision des énergies renouvelables

Created by
  • Haebom

Auteur

Kaike Sa Teles Rocha Alves, Eduardo Pestana de Aguiar

Contour

Dans cet article, nous nous concentrons sur un système d'inférence floue offrant un équilibre entre précision et transparence afin de surmonter les limites des modèles d'apprentissage profond, notamment les longs temps d'apprentissage et les difficultés d'interprétation. Pour améliorer les limites du modèle flou Takagi-Sugeno-Kang (TSK) existant, nous proposons un nouveau modèle de régression basé sur Mamdani et concevons un modèle piloté par les données permettant aux utilisateurs de définir le nombre de règles pour équilibrer précision et interprétabilité. Pour gérer la complexité des grands ensembles de données, nous intégrons des techniques d'encapsulation et d'ensemble pour présenter la sélection de caractéristiques à l'aide d'algorithmes génétiques et de modèles d'ensemble tels que Random New Mamdani Regressor, Random New Takagi-Sugeno-Kang et Random Forest New Takagi-Sugeno-Kang. Nous validons les modèles à l'aide d'un ensemble de données de prédiction de la production d'énergie solaire et constatons que les modèles Genetic New Takagi-Sugeno-Kang et Random Forest New Takagi-Sugeno-Kang, en particulier, surpassent les modèles d'apprentissage automatique et d'apprentissage profond existants, et offrent une structure basée sur des règles plus simple et plus interprétable. Les modèles proposés sont rendus publics via la bibliothèque nfisis ( https://pypi.org/project/nfisis/) .

Takeaways, Limitations

•
Takeaways:
◦
Un nouveau modèle de régression basé sur le flou est présenté pour surmonter les limites des modèles d’apprentissage en profondeur.
◦
La conception de modèles basée sur les données permet aux utilisateurs d’équilibrer précision et interprétabilité.
◦
Traitez efficacement de grands ensembles de données à l’aide d’algorithmes génétiques et de techniques d’ensemble.
◦
Vérification des performances supérieures par rapport aux modèles existants dans le domaine de la prévision de la production d'énergie solaire.
◦
Les modèles développés sont fournis via une bibliothèque ouverte (nfisis).
•
Limitations:
◦
La possibilité que les performances du modèle proposé soient limitées à un ensemble de données spécifique.
◦
Des expériences supplémentaires et une validation sur divers ensembles de données sont nécessaires.
◦
Des recherches supplémentaires sont nécessaires sur l’optimisation des paramètres des algorithmes génétiques et des techniques d’ensemble.
👍
Made with Slashpage