تعديل تابع الانتماء في طريقة المربعات الصغرى الضبابية FLS ودمجها مع نظام الاستدلال الضبابي SUGENO لمعالجة حالات عدم التأكد
الملخص
كثيراً ما تتعرض البيانات إلى مشاكل أثناء جمعها وتبويبها كوجود قيم مفقودة أو شاذة أو وجود ارتيابية وعدم يقين، مما يؤثر على سلامة النتائج هذا يدفعنا إلى الاهتمام بالمشاكل التي تصيب البيانات لاتخاذ القرارات الصحيحة. جاء هذا البحث للاهتمام بمعالجة حالات عدم التأكد Uncertainty التي تظهر في البيانات لذا تم اقتراح طريقة جديدة لهذا الغرض، تتلخص الطريقة المقترحة بدمج نظام الاستدلال Sugeno مع طريقة المربعات الصغرى الضبابية FLS للحصول على معالم تساعدنا على تصحيح القيم الارتيابية بأقل خطأ ممكن، وتم فيها اقتراح تعديل تابع الانتماء للعمل على تضبيب بيانات المتغير التابع كخطوة جديدة في طريقة FLS الضبابية مفادها تصغير قيم الانتشار في تابع الهدف للحصول على مقدرات المعالم التي من خلالها نعتمد على تقريب القيم الارتيابية إلى قيمها الحقيقية. تم في هذا البحث تطبيق الفكرة المقترحة على إشارة جيبية مولدة باستخدام برنامج MATLAB® وافترضنا وجود ارتيابية في قيمها، وتبين عند تطبيق الطريقة المقترحة أن دقة التصحيح قد وصلت إلى 99% باستخدام مقاييس كفاءة التنبؤ وهي متوسط مربعات الأخطاء MSE ومتوسط نسبة الخطأ المطلق MAPE مقارنة مع طريقة المربعات الصغرى التقليدية التي يستخدمها نظام الاستدلال Sugeno.
