Resumen

Las medidas difusas y las integrales difusas se han utilizado con éxito en muchas aplicaciones reales. Cómo determinar las medidas difusas es un problema muy difícil en estas aplicaciones. Aunque han existido algunas metodologías para resolver este problema, como algoritmos genéticos, algoritmos de descenso de gradiente, redes neuronales y algoritmos de enjambre de partículas, es difícil decir cuál es más apropiado y factible. Cada método tiene sus ventajas. La mayoría de los trabajos existentes solo pueden manejar los datos que consisten en números clásicos, lo que puede plantear limitaciones en aplicaciones prácticas. No es razonable asumir que todos los datos son datos reales antes de extraerlos de datos prácticos. A veces, los datos difusos pueden existir, como en aplicaciones farmacológicas, financieras y sociológicas. Por lo tanto, hacemos un intento de determinar un tipo más generalizado de medidas difusas generales a partir de datos difusos mediante algoritmos genéticos e integrales de Choquet. En este documento,

• 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:Medidas difusas; Integrales difusas; Algoritmos genéticos; Algoritmos de descenso de gradiente; Redes neuronales; Algoritmo de enjambre de partículas
• Keywords:Fuzzy measures; Fuzzy integrals; Genetic algorithms; Gradient descent algorithms; Neural networks; Particle swarm algorithm