<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>انجمن سیستم های فازی ایران</PublisherName>
				<JournalTitle>سیستم های فازی و کاربردها</JournalTitle>
				<Issn>2717-4409</Issn>
				<Volume>6</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2023</Year>
					<Month>12</Month>
					<Day>22</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Support vector fuzzy linear regression with fuzzy error</ArticleTitle>
<VernacularTitle>رﮔﺮﺳیون خطی فازی بردار پشتیبان با خطای فازی</VernacularTitle>
			<FirstPage>115</FirstPage>
			<LastPage>132</LastPage>
			<ELocationID EIdType="pii">189224</ELocationID>
			
<ELocationID EIdType="doi">10.22034/jfsa.2024.420601.1188</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>اعظم</FirstName>
					<LastName>مقدم</LastName>
<Affiliation>گروه آمار، دانشکده علوم ریاضی و آمار، دانشگاه بیرجند</Affiliation>

</Author>
<Author>
					<FirstName>محسن</FirstName>
					<LastName>عارفی</LastName>
<Affiliation>گروه آمار، دانشکده علوم ریاضی و آمار، دانشگاه بیرجند</Affiliation>

</Author>
<Author>
					<FirstName>محمد قاسم</FirstName>
					<LastName>اکبری</LastName>
<Affiliation>گروه آمار، دانشکده علوم ریاضی و آمار، دانشگاه بیرجند</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2023</Year>
					<Month>10</Month>
					<Day>13</Day>
				</PubDate>
			</History>
		<Abstract>In this article, an approach for fitting a fuzzy linear regression model based on support vectors is presented&lt;br /&gt;when the response variable, model parameters and errors are considered as fuzzy numbers.&lt;br /&gt;In this method, the objective function is based on the sum of the absolute values ​​of the distances of the hypothetical points to the non-parallel border hyperplanes. The presented model has good robustness to the presence of outlier data. The proposed model has been compared with some other models based on three goodness of fit indices.</Abstract>
			<OtherAbstract Language="FA">در این مقاله، رویکردی برای برازش مدل رگرسیون خطی بر اساس بردارهای پشتیبان، زمانی که متغیر پاسخ، پارامترهای مدل و خطاها به صورت اعداد فازی باشند، ارائه شده است. در این روش، تابع هدف بر اساس مجموع قدرمطلق فواصل بین ابرصفحه های حاشیه ای غیرموازی بنا شده است. مدل ارائه شده نسبت به وجود داده های پرت از استواری مناسبی برخوردار است. مدل پیشنهادی بر اساس سه معیار نیکویی برازش با برخی مدل های دیگر مورد مقایسه قرار گرفته است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">بردار پشتیبان</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">رگرسیون فازی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">خطای فازی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">روش قدرمطلق خطا</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jfsa.fuzzy.ir/article_189224_cd058a32e91078e243d904f48659ca68.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
