Resumen

Este documento presenta una metodología de diseño 3D FLC basada en una función de referencia utilizando aprendizaje de regresión de vectores de soporte (SVR). Se introduce el concepto de función de referencia al 3D FLC para la generación de funciones de membresía 3D (MF), que mejoran la capacidad del 3D FLC para manejar más tipos de MF. Se deriva la expresión matemática no lineal del 3D FLC basado en la función de referencia, y se definen las funciones de base difusas espaciales. Al relacionar las funciones de base difusas espaciales de un 3D FLC con las funciones núcleo de un SVR, se establece una relación de equivalencia entre un 3D FLC y un SVR. Por lo tanto, un 3D FLC puede ser construido utilizando los resultados aprendidos de un SVR. Además, se demuestra la capacidad de aproximación universal del sistema difuso 3D propuesto en términos del teorema de cobertura finita. Finalmente, el método propuesto se aplica a un reactor catalítico de le

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Papel; Metodología de diseño 3D FLC; Regresión de vectores de soporte; Función de referencia; Funciones de membresía; Funciones de base difusas espaciales
• Keywords:Paper; 3d flc design methodology; Support vector regression; Reference function; Membership functions; Spatial fuzzy basis functions