انجمن سیستم های فازی ایران سیستم های فازی و کاربردها 2717-4409 1 1 2018 08 23 Fuzzy set theory and its generalizations نظریه مجموعه های فازی و تعمیم های آن 1 22 81940 20.1001.1.27174409.1397.1.1.1.2=DOR FA اسفندیار اسلامی دانشگاه شهید باهنر کرمان، دانشکده ریاضی و کامپیوتر، گروه ریاضی Journal Article 2018 11 21 Zadeh introduced the theory of fuzzy sets as a generalization of ordinary (exact) sets. These sets are used to model ambiguous concepts that abound in real-world problems. This theory paved the way for other theories to claim more or less the same. Each of these theories can be considered a generalization of fuzzy set theory. Some of the most important include value interval sets, intuitive fuzzy sets, type ف fuzzy sets, multiple fuzzy sets, hesitant fuzzy sets, and neutrosophic sets. زاده نظریه مجموعه های فازی را به عنوان تعمیمی از مجموعه های معمولی (دقیق) معرفی نمود. این مجموعه ها برای مدل سازی مفاهیم مبهم که به وفور در مسایل واقعی وجود دارند بکار برده می شوند. این نظریه راه را برای ایجاد نظریه های دیگری که کم وبیش همین ادعا را دارند گشود. هریک از این نظریه ها را می توان تعمیمی از نظریه مجموعه های فازی دانست. بعضی از مهمترین آن ها شامل مجموعه های بازه ای مقدار، مجموعه های فازی شهودی، مجموعه های فازی نوع ٢، مجموعه های فازی چندگانه، مجموعه های فازی مردد و مجموعه های نوتروسوفیک می شود.

https://jfsa.fuzzy.ir/article_81940_c8d6360f2607ebb78e277560f0dacd24.pdf

انجمن سیستم های فازی ایران سیستم های فازی و کاربردها 2717-4409 1 1 2018 08 23 A review of fuzzy reinforcement learning methods عملگرهای میانگین وزن دار ترتیبی روی مشبکه های کامل 23 32 81936 20.1001.1.27174409.1397.1.1.2.3=DOR FA فاطمه کوچکی نژاد دانشگاه شهید باهنر کرمان، دانشکده ریاضی و کامپیوتر، گروه ریاضی ماشالله ماشین چی دانشگاه شهید باهنر کرمان، دانشکده ریاضی و کامپیوتر، گروه ریاضی 0000-0001-5848-8027 Journal Article 2018 11 24 با در نظر گرفتن برخی عملگرهای جمع بندی، بردارهای وزنی خاصی تعریف می شود. سپس، تعریف عملگرهای میانگین وزن دار ترتیبی با استفاده از یک بردار وزنی خاص داده شده ارائه می شود. به علاوه، نشان داده می شودکه تعریف پیشنهادی برای عملگرهای میانگین وزن دار ترتیبی روی مشبکه های کامل، تعمیمی از تعریف ارائه شده توسط لیزاسوئین و مورنو می باشد.

https://jfsa.fuzzy.ir/article_81936_90849e2687b2dd2eb3fd1ef53506425e.pdf

انجمن سیستم های فازی ایران سیستم های فازی و کاربردها 2717-4409 1 1 2018 08 23 Prediction of meteorological parameters by fuzzy acceptance matching system پیشبینی پارامتر های هواشناسی بوسیله سیستم فازی تطبیق پذیر 33 42 81937 20.1001.1.27174409.1397.1.1.3.4/DOR FA محمد تشنه لب دانشگاه خواجه نصیرالدین طوسی، دانشکده مهندسی برق، گروه مهندسی برق محمد سعید ابراهیمی سعدآبادی دانشگاه خواجه نصیرالدین طوسی، دانشکده مهندسی برق، گروه مهندسی برق Journal Article 2018 12 01 Predicting natural processes that do not behave accurately has always been one of the areas of human interest so that he can make better plans for himself with prior knowledge of what is happening. One of the most powerful tools in this regard are intelligent systems, especially fuzzy-neural networks. In this article, we intend to use this structure to predict the absolute amount of air humidity. The descending gradient method has been used to teach the parameters of the tali part of the fuzzy-neural network and the genetic algorithm has been used for the parameters of the front part of the network so that the cost function is considered with the aim of minimizing the sum of squares of error. <span id="tw-spkr-button" class="tw-menu-btn za3ale" tabindex="0" role="button" data-action-target="target" data-sttse="true" aria-label="Text to speech" data-ved="2ahUKEwibuojolrnzAhWJ4YUKHc3SDYAQ8DR6BAgCEBQ"> پیش بینی فرایندهای طبیعی که رفتار دقیقی ندارند همواره یکی از زمینه های مورد علاقه انسان بوده است تا بتواند با اطلاع قبلی از اتفاق پیش رو برنامه ریزیهای بهتری برای خود انجام دهد. یکی از ابزارهای بسیار قدرتمند در این راستا سیستم های هوشمند به ویژه شبکه های فازی-عصبی می باشند. در این مقاله قصد داریم تا با استفاده ازاین ساختار به پیش بینی میزان مطلق رطوبت هوا بپردازیم. برای آموزش پارامترهای قسمت تالی شبکه فازی- عصبی از روش گرادیان نزولی و برای پارامترهای قسمت مقدم شبکه ازالگوریتم ژنتیک استفاده شده است به صورتی که تابع هزینه با هدف کمینه شدن مجموع مربعات خطا در نظر گرفته شده است.همچنین در این مقاله برای آموزش پارامتر های غیرخطی قسمت مقدم از الگوریتم ژنتیک

https://jfsa.fuzzy.ir/article_81937_f0e6914c40006f9254f3f964edcf10d0.pdf

انجمن سیستم های فازی ایران سیستم های فازی و کاربردها 2717-4409 1 1 2018 08 23 Probability theory and possibility theory: similarities and differences نطریۀ احتمال و نظریۀ امکان: ‎ ‎شباهت‌ها و تفاوت‌ها 43 54 81934 20.1001.1.27174409.1397.1.1.4.5/DOR FA سید محمود طاهری دانشگاه تهران، دانشکدۀ فنی Journal Article 2018 12 11 Probability theory and possibility theory are two mathematical theories for modeling, examining and analyzing uncertainty (uncertainty / uncertainty). Although the two theories are similar in some respects, they are fundamentally different. In this article, the similarities and especially the differences between these two theories are briefly examined. Several comparative examples are provided to illustrate the differences in probability and possibility in a tangible and objective way. Finally, a question is posed so that readers can reflect on the difference between probability and possibility. نظریۀ احتمال و نظریۀ امکان، دو نظریۀ ریاضی برای مدل‌سازی‏، بررسی و تحلیل نایقینی (عدم‌اطمینان / عدم‌قطعیت) هستند. هرچند این دو نظریه از جهاتی شبیه هم هستند، ولی تفاوت‌های بنیادی با یکدیگر دارند. در این مقاله، به‌کوتاهی‏، شباهت‌ها و به‌ویژه تفاوت‌های این دو نظریه بررسی می‌شود. چند مثال‌ِ مقایسه‌ای ارائه می‌شود تا تفاوت‌های احتمال و امکان به‌طور ملموس و عینی روشن شود. در پایان، یک پرسش طرح می‌شود تا خوانندگان با بررسی آن، دربارۀ تفاوت احتمال و امکان بیشتر تأمل کنند.

https://jfsa.fuzzy.ir/article_81934_eb111ea7e23e7bd8365a1e9964d954e4.pdf

انجمن سیستم های فازی ایران سیستم های فازی و کاربردها 2717-4409 1 1 2018 08 23 Schohart control charts based on fuzzy quality نمودارهای کنترل شوهارت بر اساس کیفیت فازی 55 72 81932 20.1001.1.27174409.1397.1.1.5.6/DOR FA عباس پرچمی دانشگاه شهید باهنر کرمان، دانشکده ریاضی و کامپیوتر، بخش آمار Journal Article 2017 12 12 The concept of fuzzy quality, which is based on the concept of fuzzy sets, can be used in most industrial environments. In this article, after introducing fuzzy quality, we will generalize fuzzy quality based control charts. The generalized diagrams in this article consist of fuzzy control diagram of the number of defective items, fuzzy control diagram of the ratio of defective items and fuzzy control diagram of the number of defects in the inspection unit. The common denominator of all these graphs is the use of statistics on the number of defective / incomplete items, which is a function of a qualitative characteristic, and of course this qualitative characteristic is measured quantitatively based on fuzzy quality. When using these fuzzy control diagrams, there is a practical justification that the degree of poor quality (degree of defect / defect) of all defective items is not equal to each other. A practical example is used at the end of this article to better understand the content. مفهوم کیفیت فازی که بر پایه‌ ی مفهوم مجموعه‌های فازی مطرح می‌شود، در اغلب محیط‌های صنعتی قابل استفاده است. در این مقاله، پس از معرفی کیفیت فازی به تعمیم نمودار های کنترل شوهارت مبتنی بر کیفیت فازی می‌ پردازیم. نمودار های تعمیم‌ یافته در این مقاله متشکل از نمودار کنترل فازی تعداد اقلام معیوب، نمودار کنترل فازی نسبت اقلام معیوب و نمودار کنترل فازی تعداد نقص‌ها در واحد بازرسی می‌باشند. وجه مشترک تمامی این نمودارها، استفاده از آماره‌ ی تعداد اقلام معیوب / ناقص است که تابعی از یک مشخصه کیفی می‌باشد و البته این مشخصه کیفی، مبتنی بر کیفیت فازی بصورت کمّی اندازه‌گیری می‌شود. وقتی استفاده از این نمودارهای کنترل فازی توجیه عملی دارد که درجه‌ ی بی‌ کیفیتی (میزان عیب / نقص) تمامی اقلام معیوب / ناقص با یکدیگر مساوی و یکسان نباشند. برای تفهیم بهتر مطالب از یک مثال کاربردی در انتهای این مقاله استفاده شده است.

https://jfsa.fuzzy.ir/article_81932_52e8580af681e2e51ee56d580c191305.pdf

انجمن سیستم های فازی ایران سیستم های فازی و کاربردها 2717-4409 1 1 2018 08 23 Correlation coefficient between fuzzy data ضریب هم بستگی بین داده های فازی 73 91 81939 20.1001.1.27174409.1397.1.1.6.7/DOR FA رضا زارعی دانشگاه گیلان، دانشکده علوم ریاضی، گروه آمار Journal Article 2018 12 14 Correlation is one of the most important indicators that is widely used in various fields and is an important measure in data analysis. Since much of the actual data may be inaccurate, it seems necessary to expand the concept of correlation in the inaccurate environment. In this paper, we first study a criterion for calculating the correlation coefficient between fuzzy numbers based on the classical definition of correlation coefficient and the principle of expansion, in which the mathematical programming approach is used to calculate the degree of membership. Then, another method for determining and calculating the -drastic of the exact T-based algebraic functions of the membership function using it is examined, which does not depend on mathematical programming. همبستگی یکی از مهم ترین شاخص هایی است که به طور گسترده در زمینه های مختلف به کارمی رود و اندازه ای با اهمیت در تحلیل داده هاست. از آنجایی که بسیاری از داده های واقعی ممکن است نادقیق باشند، توسیع مفهوم همبستگی در محیط نادقیق ضروری به نظر می رسد. در این مقاله، ابتدا بر اساس تعریف کلاسیک ضریب همبستگی و اصل توسیع زاده یک معیار برای محاسبه ضریب همبستگی بین اعداد فازی را مطالعه می کنیم که در آن رویکرد برنامه ریزی ریاضی به منظور محاسبه میزان درجه عضویت به کارگرفته شده است. سپس، روشی دیگر برای تعیین و محاسبه- نرم دراستیکو اعمال جبری مبتنی T دقیق تابع عضویت با استفاده از بر آن مورد بررسی قرار گرفته است که به برنامه ریزی ریاضی بستگی ندارد.

https://jfsa.fuzzy.ir/article_81939_86ec93a9243144c8bb936bb25a258ce3.pdf