• 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보


Regularlization approach to regression can be easily found in Statistics and Information Science literature. The technique of regularlization was introduced as a way of controlling the smoothness properties of regression function. In this paper, we have presented a new method to evaluate linear and non-linear fuzzy regression model based on Tanaka's model using the idea of regularlization technique. Especially this method is a very attractive approach to model non -linear fuzzy data.

저자의 다른 논문

참고문헌 (20)

  1. A. Aizerman, E. M. Braverman and L. I. Rozoner, Theoretical foundations of the potential function method in pattern recognition learning, Automation and Remote Control 25 (1964), 821-837 
  2. J. Buckley, T. Feuring and Y. Hayashi, Multivariate non-linear fuzzy regression: An evolutionary algorithm approach, International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems 7 (1999) 83-98 
  3. J. Buckley and T. Feuring, Linear and non-linear fuzzy regression: Evolutionary algorithm solutions, Fuzzy Sets and Systems 112 (2000) 381-394 
  4. A. Celmins, Least model fitting to fuzzy vector data, Fuzzy Sets and Systems 22 (1987) 245-269 
  5. A. Celmins, Multidimensional least-squares fitting of fuzzy models, Math. Modelling 9 (1987) 669-690 
  6. A. Celmins, A practical approach to nonlinear fuzzy regression, SLAM J. Sci. Stat. Comput., Vol. 12 No. 3 (1991) 521-546 
  7. P. Diamond, Fuzzy least squares, Inform. Sci. 46 (1988) 141-157 
  8. B. Heshmaty, A. Kandel, Fuzzy linear regression and its applications to forecasting in uncertain environment, Fuzzy Sets and Systems 15 (1985) 159-191 
  9. D. Dubois and H. Prade, Theory and Applications, Fuzzy Sets and Systems, Academic Press, New York, 1980 
  10. R. Fletcher, Practical Methods of Optimization, John Wiley and Sons, Inc., 2nd edition, 1987 
  11. H. Goldstein, Classical Mechanis, Addison-Wesley, Reading, MA, 1986 
  12. S. Gunn, Support Vector Machines for Classification and Regression, ISIS Technical Report, U. of Southampton, 1998 
  13. J. Kacprzyk and M. Fedrizzi, Fuzzy Regression Analysis(Physica-Verlag, Heidelberg, 1992) 
  14. G. P. McCormick, Nonlinear Programing: Theory, Algorithms and Applications, Wiley-Interscience, New York, NY, 1983 
  15. A. J. Smola and B. Scholkopf, A Tutorial on Support Vector Regression, NeuroCOLT2 Technical Report, NeuroCOLT, 1998 
  16. H. Tanaka, Fuzzy data analysis by possibilistic linear models, Fuzzy Sets and Systems 24 (1987) 363-375 
  17. v H. Tanaka, S. Uejima and K. Asia, Linear regression analysis with Fuzzy model, IEEE Trans. Man. Cybernet. 12 (6) (1982) 903-907 
  18. H. Tanaka, J. Watada, Possibilistic linear systems and their applications to linear regression model, Fuzzy Sets and Systems 27 (1988) 275-289 
  19. V. Vapnik, The Nature of Statistical learning Theory, Springer, 1995 
  20. J. Watada, theory of fuzzy multivariate analysis and its applications, PH. D. Dissertation University of Osaka Prefecture, 1983 

이 논문을 인용한 문헌 (0)

  1. 이 논문을 인용한 문헌 없음


원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

DOI 인용 스타일