<?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>7</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2024</Year>
					<Month>12</Month>
					<Day>21</Day>
				</PubDate>
			</Journal>
<ArticleTitle>A fuzzy classification method for mixture of nonlinear regression model</ArticleTitle>
<VernacularTitle>یک روش کلاس‎‏‌بندی فازی برای رگرسیون غیرخطی‏ آمیخته</VernacularTitle>
			<FirstPage>13</FirstPage>
			<LastPage>32</LastPage>
			<ELocationID EIdType="pii">210581</ELocationID>
			
<ELocationID EIdType="doi">10.22034/jfsa.2024.458851.1206</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>فرزانه</FirstName>
					<LastName>هاشمی</LastName>
<Affiliation>گروه آمار، دانشکده ریاضی، دانشگاه کاشان، کاشان، ایران</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>05</Month>
					<Day>22</Day>
				</PubDate>
			</History>
		<Abstract>Mixture regression models are widely used to obtain relationships between the response variable and one or more predictor variables from several non-homogeneous groups. Since many data have heavy tails in reality, using ordinary mixture regression models with normal errors can cause deviations in inference. The class of scale mixture normal distributions includes many symmetric distributions as special cases. In many studies, the EM algorithm is used to obtain the number of clusters and estimate the parameters. In this paper, a fuzzy approach is proposed to obtain the number of clusters and estimate the parameters in the mixture regression model based on normal scale mixture normal errors distribution. Extensive simulation studies and reals data analyses illustrate the efficacy and performance of the proposed methodologhy and EM-type algorithm.</Abstract>
			<OtherAbstract Language="FA">مدل‌های رگرسیون آمیخته به طور گسترده‌ای برای به دست آوردن روابط بین متغیر پاسخ و یک یا چند متغیر پیشبین از چندین گروه غیر همگن به کار می‌روند. از آنجایی ‏بسیاری از داده‌ها در واقعیت دارای دم سنگینی‌ هستند بنابراین استفاده از مدل‌های رگرسیون آمیخته معمولی با خطاهای نرمال می‌تواند باعث ایجاد انحراف در استنباط شود. کلاس توزیع‌های مخلوط مقیاسی نرمال بسیاری از توزیع‌های برجسته متقارن را به عنوان موارد خاص در بر می‌گیرد.‎ در بسیاری از مطالعات از روش امید-ماکسیمم برای بدست آوردن تعداد خوشه‌ها و برآورد پارمترها استفاده می‌شود. ‏در این مقاله یک رویکرد فازی برای بدست آوردن تعداد خوشه‌ها و برآورد پارامترها در مدل رگرسیون آمیخته با توزیع‌ خطاهای مخلوط مقیاسی نرما‎ل‎ پیشنهاد شده است. دو مطالعه شبیه‌سازی برای بررسی ویژگی جانبی برآوردگرها و حساسیت مدل پیشنهادی در برابر نقاط پرت انجام شده است. ‎‏همچنین یک مثال واقعی برای بررسی اثربخشی روش پیشنهادی انجام شده است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">رگرسیون ‎‏غیر خطی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">کلاس‌بندی فازی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">توزیع آمیخته متناهی‎‏‏</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">کلاس‌بندی ماکزیمم درستنمایی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jfsa.fuzzy.ir/article_210581_1be2d4f05b1fcde46fa0c987dc626220.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
