بخشی از فهرست مطالب پروژه پروژه دانشجویی بررسی روش های پیش بینی هوشمند دما در word
مقدمه
فصل یکم - منطق فازی و ریاضیات فازی
1-1- منطق فازی
1-1-1- تاریخچه مختصری از منطق فازی
1-1-2- آشنایی با منطق فازی
1-1-3- سیستم های فازی
1-1-4- نتیجه گیری
1-2- ریاضیات فازی
1-2-1- مجموعه های فازی
1-2-2- مفاهیم مجموعه های فازی
1-2-3- عملیات روی مجموعه های فازی
1-2-4- انطباق مجموعه های فازی
1-2-5- معیار های امکان و ضرورت
1-2-6- روابط فازی
1-2-6-1- رابطه ی هم ارزی فازی
1-2-6-2- ترکیب روابط فازی
1-2-7- منطق فازی
1-2-7-1- عملیات منطقی و مقادیر درستی فازی
1-2-7-2- کاربرد مقادیر درستی فازی
1-2-8- نتیجه گیری
فصل دوم- الگوریتم ژنتیک
2-1- چکیده
2-2- مقدمه
2-3- الگوریتم ژنتیک چیست؟
2-4- ایده اصلی الگوریتم ژنتیک
2-5- الگوریتم ژنتیک
2-6- سود و کد الگوریتم
2-7- روش های نمایش
2-8- روش های انتخاب
2-9- روش های تغییر
2-10- نقاط قوت الگوریتم های ژنتیک
2-11- محدودیت های GA ها
2-12- چند نمونه از کاربردهای الگوریتم های ژنتیک
2-13- نسل اول
2-14- نسل بعدی
2-14-1- انتخاب
2-14-2- تغییر از یک نسل به نسل بعدی(crossover)
2-14-3- جهش (mutation)
2-15- هایپر هیوریستیک
فصل سوم- بررسی مقالات
3-1- یک روش رویه‌‌‌ای پیش بینی دمای هوای شبانه برای پیش بینی یخبندان
3-1-1- چکیده
3-1-2- مقدمه
3-1-3- روش شناسی
3-1-3-1- مجموعه اصطلاحات
3-1-3-2-نگاه کلی
3-1-3-3- یادگیری
3-1-3-4- تولید پارامتر های ساختاری
3-1-3-5- پیش بینی
3-1-3-6- متناسب سازی ضعیف، متوسط و دقیق
3-1-4- نتایج
3-1-4-1- واقعه ی یخبندان شپارتون
3-1-4-2- بحث
3-1-5- نتیجه گیری
3-2- پیش بینی دما و پیش گویی بازار بورس بر اساس روابط منطق فازی و الگوریتم ژنتیک
3-2-1- چکیده
3-2-2- مقدمه
3-2-3- سری های زمانی فازی و روابط منطق فازی
3-2-4- مفاهیم اساسی و الگوریتم های ژنتیک
3-2-5- روش جدید پیش بینی دما و بازار بورس بر اساس روابط منطقی فازی و الگوریتم های ژنتیک
3-2-6- نتیجه گیری
3-3-پیش بینی روند دمای جهانی بر اساس فعالیت های خورشیدی پیشگویی شده در طول دهه های آینده
3-3-1- چکیده
3-3-2- مقدمه
3-3-3- داده و روش بررسی
3-3-4- نتایج
3-3-5- نتیجه گیری
فهرست جدولها
جدول1-2-1- برخی از مفاهیم پایه ی مجموعه های فازی
جدول3-1-1- تاریخ اولین پیش بینی و خطای پیش بینی مربوطه
جدول3-2-1- داده های پیشین میانگین دمای روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان
جدول3-2-2- داده های قدیمی تراکم ابر های روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان
جدول3-2-3- جمعیت ابتدایی
جدول3-2-4- میانگین دمای روزانه ی فازی شده و تراکم ابرهای روزانه فازی شده از 1 ام ژوئن تا30ام سپتامبر در تایوان بر اساس نخستین کروموزوم
جدول3-2-5- دو فاکتور مرتبه سوم روابط گروهی منطق فازی
جدول3-2-6- دمای پیش بینی شده و میانگین خطای پیش بینی بر اساس سریهای زمانی فازی مرتبه سوم
جدول3-2-7- درصد میانگین خطای پیش بینی برای مراتب مختلف بر اساس روشهای پیشنهادی
جدول3-2-8- درصد میانگین خطاهای پیش بینی برای پنجره های متفاوت بر اساس روشهای پیشنهادی
جدول3-2-9- داده های قدیمیTAIFEXو TAIEX
جدول3-2-10- خطای مربع حسابی برای مراتب مختلف روش پیشنهادی
جدول3-2-11- مقایسه مقادیر پیشبینیTAIFEXوخطاهای مربع حسابی برای روشهای مختلف پیش بینی
فهرست شکلها
شکل 1-1-1- طرز کار سیستم فازی
شکل 1-2-1- نمودار توابع فازی s، ذوزنقهای و گاما
شکل 1-2-2- مثال هایی از اجتماع، اشتراک و متمم دو تابع عضویت
شکل 1-2-3- برخی از عملگر های پیشنهاد شده برای اشتراک
شکل1-2-4- برخی از عملگر های پیشنهاد شده برای اجتماع
شکل 1-2-5- انطباق دو مجموعه فازی
شکل 1-2-6- نمایش معیار های امکان و ضرورت
شکل 1-2-7- مقادیر درستی فازی
شکل 2-1- منحنی
شکل 2-2- تاثیر الگوریتم ژنتیک بر کروموزوم های 8 بیتی
شکل3-1-1-تفاوت های تولید شده ی بین مشاهدات مرجع و مشاهداتی که زودتر در صف می آیند
شکل 3-1-2- مشاهدات هواشناسی به صف شده
شکل 3-1-3- دیاگرام درختی
شکل 3-1-4- توابع گاوس برای متناسب سازی ضعیف، متوسط و دقیق دمای هوا
شکل 3-1-5- هیستوگرام خطا های پیش بینی
شکل3-1-6- خطای میانه ماهیانه
شکل 3-1-7-خطای درصدی میانه ماهیانه
شکل 3-1-8-تراکم پیش بینی
شکل 3-1-9- ترسیم توزیعی دمای هوای مشاهده شده در مقابل 1 ساعت پیش بینی دمای هوا
شکل3-1-10- واقعه ی شپارتون، مشاهده و پیش بینی دماهای هوا
شکل 3-2-1- یک کروموزوم
شکل 3-2-2- توابع عضویت متناظر رن هایx کروموزوم های نشان داده شده در شکل3-2-
شکل 3-2-3- توابع عضویت متناظر ژن هایy کروموزوم های نشان داده شده در شکل3-2-
شکل 3-2-4- عملیاتcrossover دو کروموزوم
شکل3-2-5- عملیات جهش یک کروموزوم
شکل 3-2-6- بهترین کروموزوم برای پیش بینی میانگین دمای روزانه در ژوئن
شکل 3-2-7- میانگین خطای پیش بینی روشهای پیشنهادی بر اساس سری های زمانی فازی مرتبه سوم
شکل 3-2-8- خطای مربع حسابی بر اساس سری های زمانی فازی مرتبه هفتم
شکل 3-3-1-پیکر بندی شبکه های عصبی منطقی فازی
شکل 3-3-2- مقادیر مشاهده و پیش بینی شده ی ولف نو
شکل 3-3-3- مقادیر مشاهده و پیش بینی شده ی دمای غیر عادی جهان
فصل یکم :منطق فازی و ریاضیات فازی
مقدمه
نظریه ی فازی برای اینکه موضوعات و مسائل پپچیده و بزرگ مقیاس که شامل بازیابی اطلاعات میباشند، قابل فهم باشد و بتوان با ظرفیت فکری اندک تصمیمی معین گرفت، روشی قابل انعطاف و کلی که در قید جزئیات کم اهمیت نیست، ارائه می‌دهد. این روش از عهده‌ی موقعیتهای اجتماعی و اقتصادی و محیط طبیعی که نیازمند تنوع و انعطاف است، برمی‌آید.
به منظور ایجاد الگویی شبیه به پردازش عمومی اطلاعات هوشمندانه‌ی بشر، دانش و تجربه‌ی افراد باتجربه ومتخصصان مجرب به زبان طبیعی، وارد رایانه شده و عملیات منطقی به صورت اجمالی اجرا می‌شوند و با استفاده از این الگو، تحلیل پیش برده میشود و فعالیتهای بشر یا پدیده ها و اوضاع اجتماعی و بازرگانی مورد بررسی قرار می‌گیرند. بیشتر روشهای فازی که برای مدیریت تکمیل شده اند از این روش بهره می‌گیرند.
در این فصل ابتدا تاریخچه ای از منطق فازی بیان می شود و در ادامه با منطق فازی آشنا خواهیم شد. درآخرهم چگونگی کارکرد سیستم های فازی بررسی می شود.
1-1-1- تاریخچه ی مختصری از منطق فازی
دهه ی1960 آغاز نظریه فازی بود. نظریه‌ی فازی به وسیله پروفسور لطفی زاده در سال 1965 در مقاله ای به نام مجموعه های فازی معرفی شد. ایشان قبل از کار بر روی نظریه‌ی فازی، یک استاد برجسته در نظریه کنترل بود. او مفهوم "حالت" را که براساس نظریه‌ی کنترل مدرن را شکل می‌دهد، توسعه داد. عسگرزاده در سال 1962 چیزی را بدین مضمون برای سیستمهای بیولوژیک نوشت: "ما اساساً به نوع جدید ریاضیات نیازمندیم؛ ریاضیات مقادیر مبهم یا فازی است که توسط توزیع های احتمالات قابل توصیف نیستند." وی فعالیت خویش در نظریه‌ی فازی را در مقاله ای با عنوان "مجموعه های فازی" تجسم بخشید. مباحث بسیاری در مورد مجموعه های فازی بوجودآمد و ریاضیدانان معتقد بودند نظریه‌ی احتمالات برای حل مسائلی که نظریه‌ی فازی ادعای حل بهتر آن را دارد، کفایت می‌کند. دهه‌ی 1960 دهه‌ی چالش کشیدن و انکار نظریه‌ی فازی بود وهیچ یک از مراکز تحقیقاتی، نظریه‌ی فازی را به عنوان یک زمینه‌ی تحقیق جدی نگرفتند.
اما در دهه‌ی 1970، به کاربردهای عملی نظریه‌ی فازی توجه شد و دیدگاه های شک برانگیز درباره‌ی ماهیت وجودی نظریه‌ی فازی مرتفع شد. استاد لطفی زاده پس از معرفی مجموعه های فازی در سال 1965، مفاهیم الگوریتم فازی را در سال 1968 تصمیم گیری فازی را در سال 1970 و ترتیب فازی را در سال 1971 ارائه نمود. ایشان در سال 1973 اساس کار کنترل فازی را بنا کرد. این مبحث باعث کنترل کننده های فازی برای سیستمهای واقعی بود. ممدانی و آسیلیان چهارچوب اولیه‌ای را برای کنترل کننده فازی مشخص کرد. در سال 1978 هومبلاد و اوستگارد اولین کنترل کننده‌ی فازی را برای کنترل یک فرآیند صنعتی به کار بردند که از این تاریخ به بعد، با کاربرد نظریه‌ی فازی در سیستمهای واقعی، دید شک برانگیز درباره‌ی ماهیت وجودی این نظریه کاملاً متزلزل شد.
دهه‌ی 1980 از لحاظ نظری، پیشرفت کندی داشت، اما کاربرد منتطق فازی باعث دوام نظریه‌ی فازی شد. هیچ اندیشیده‌اید که کشورژاپن چرا گوی سبقت را در تولید لوازم الکترونیک هوشمند از دیگر همتایانش ربوده است؟ مهندسان ژاپنی به سرعت دریافتند که کنترل کننده‌های فازی به سهولت قابل طراحی بوده و در مورد بسیاری، می توان از آنها استفاده کرد. به علت اینکه کنترل فازی به یک مدل ریاضی نیاز ندارد، می توان آن را مورد بسیاری از سیستم هایی که به وسیله‌ی نظریه‌ی کنترل متعارف قابل پیاده سازی نیستند به کاربرد. سوگنو مشغول کار بروی ربات فازی شد، ماشینی که از راه دور کنترل می‌شد و خودش به تنهایی عمل پارک را انجام می‌داد. یاشونوبو و میاموتو از شرکت هیتاچی کار روی سیستم کنترل قطار زیرزمینی را آغاز کردند. بالاخره در سال 1987 پروژه به ثمر رسید و یکی از پیشرفته ترین سیستمهای قطار زیرزمینی را در جهان بوجود آورد. در دومین کنفرانس سیستمهای فازی که در توکیو برگزار شد، درست سه روز بعد از افتتاح قطار زیرزمینی، هیرو تا یک ربات فازی را به نمایش گذارد که پینگ پنگ بازی می‌کرد، یاکاماوا نیز سیستم فازی را نشان داد که یک پاندول معکوس را در حالت تعادل نشان می‌داد. پس از این کنفرانس، توجه مهندسان، دولتمردان و تجار جلب شد وزمینه‌ی پیشرفت نظریه‌ی فازی فراهم شد.
دهه ی 1990، توجه محققان آمریکا و اروپا به سیستمهای فازی موفقیت سیستمهای فازی در ژاپن، مورد توجه محققان آمریکا و اروپا واقع شد و دیدگاه بسیاری از محققان به سیستمهای فازی تغییر کرد. در سال 1992 اولین کنفرانس بین الملی در مورد سیستمهای فازی به وسیله‌ی بزرگترین سازمان مهندسی یعنی IEEE برگزار شد. در دهه ی 1990 پیشرفت‌های زیادی در زمینه‌ی سیستمهای فازی ایجاد شده؛ اما با وجود شفاف شدن تصویر سیستمهای فازی هنوز فعالیتهای بسیاری باید انجام شود و بسیاری از راه حل‌ها و روشها همچنان در ابتدای راه قرار دارد. بنابراین توصیه میشود که محققان کشور با تحقیق در این زمینه، موجبات پیشرفت‌های عمده در زمینه‌ی نظریه فازی را فراهم نمایند.
1-1-2- آشنایی با منطق فازی
منطق فازی عبارتست از استدلال با مجموعه‌های فازی. حال اگر بخواهیم نظریه مجموعه های فازی را توضیح دهیم، باید بگوئیم نظریه‌ای ست برای اقدام در شرایط عدم اطمینان. این نظریه قادر است بسیاری از مفاهیم، متغیرها و سیستم‌هایی را که نادقیق و مبهم هستند، صورت بندی ریاضی ببخشد و زمینه را برای استدلال، استنتاج، کنترل و تصمیم‌گیری درشرایط عدم اطمینان فراهم آورد. پرواضح است که بسیاری از تصمیمات و اقدامات بشر در شرایط عدم اطمینان است وحالات واضح و غیرمبهم بسیار نادر و کمیاب میباشند.
پیش از معرفی تئوری منطق فازی توسط پروفسور لطفی زاده در 1965 محققان زیادی به رفع پارادوکس‌های موجود در مسائل مطرح شده در علوم مختلف بر اثر محدودیت منطق دوگانه مشغول بودند، مانند پارادوکس wooger در علوم زیستی شناسی که در آن فرزندان بعضی از حیوانات به تیره خانواده‌ای متفاوت از والدینشان تعلق دارند، در حالیکه از نظر ژنتیکی چنین امری ممکن نیست و این موضوع با منطق دوگانه‌ی مرسوم سازگاری نداشت. در این راستا راسل ابهام را جزئی از زبان دانست و یا Jan Lukasiewicz منطق سه ارزشی را مطرح کرد که در آن علاوه بر ارزشهای False & True منطق ارزشی possible هم وجود داشت.
در منطق فازی به جای دو ارزشی بودن، ما طیفی از ارزشها را درباره‌ی صفرو یک خواهیم داشت. با این طیف میتوان عدم قطعیت را به خوبی نمایش داد. تمایز عمده منطق فازی با منطق چند ارزشی آن است که در منطق فازی مفهوم یک عبارت هم می‌تواند مبهم باشد(مانند سردی هوا). در منطق فازی می‌توانیم جملاتی را که معمولاً در مجاورت روزانه در تحلیل مسائل استفاده می‌کنیم از قبیل "کاملاً درست است"، "کم و بیش درست است"، "تا حدی نادرست است" و... را بکار بندیم. بطور کلی منطق‌ها بعنوان پایه‌ی برهان به 3 بخش متمایز مقادیر درستی، عملگرها و فرآیند استدلال تقسیم می‌شوند.
متغیرهای زبانی: پروفسور زاده در سال 1973 می‌نویسد: "متغیرهای زبانی، متغیرهای هستند که مقادیرشان اعداد نیستند، بلکه لغات یا جملات یک زبان طبیعی یا ساختگی هستند." اگر چه تئوری مجموعه‌های فازی فقط با مدل‌های ریاضی سروکار دارد، ولی امکان مدل سازی لغات و عبارات یک زبان طبیعی را به کمک متغیرهای زبانی می‌دهد. به طور کلی متغیر به 2 دسته تقسیم می‌شوند:
1)زبانی: مانند کلمات و عبارات مربوط به یک زبان طبیعی.
2)عددی: که متغیرها دارای مقادیر عددی هستند. یک متغیر زبانی در واقع یک عبارت زبانی طبیعی است که به مقدار کمیت خاص اشاره دارد و اصطلاحاً مانند مترجم عمل می‌کند و به کمک تابع عضویت نشان داده میشود مانند واژه "سرد" در جمله "هوا سرد است"، سردی، خود متغیری است برای دمای هوا که می‌تواند مقادیر مختلفی به خود اختصاص دهد و در واقع یک تابع عضویت برای آن تعریف میشود.
متغیرهای زبانی می‌تواند از الحاق u=u1,u2,…,un تشکیل شوند که هرکدام از ui ها عبارتی تجزیه ناپذیرند، مانند "تا حدی سرد" ، که در مجموع به 4 دسته‌ی زیر تقسیم میشود:
1)عبارات اصلی: که به عنوان برچسبهایی برای مجموعه های فازی در نظر گرفته می‌شوند و مانند "سرد" در عبارت بالا یا عباراتی از: کوتاه، بلند، ... که هر کدام تابع عضویت مخصوص به خود دارند.
2)حرف ربط: مانند و، یا، ... را دارند.
3)پیراینده: که روی عبارات اولیه اعمال شده و اثر تشدید یا تضعیف در مفهوم آن عبارت را به همراه دارد مانند تا حدی، اندکی، بسیار و...
4)حروف نشانه مانند پرانتز و...
تمامی پیراینده‌ها روی عبارات اصلی U به صورت u به توان P عمل می‌کنند که P و اگر P= شود آنگاه عبارت دقیق و غیرفازی حاصل میشود و نشان می‌دهد که هیچ ابهام و تردیدی وجود ندارد. اگر فرضاً متغیر زبانی "پیر" را به عنوان ملاک ایجاد یک مجموعه‌ی فازی در نظر بگیریم آنگاه آن مجموعه به صورت زیر خواهد بود:
پیر={(3/0,45)و(5/0,50)و(8/0,55)و(9/0,60)و(1,70)و(1,75)}
عبارت "بسیار پیر" = "پیر به توان دو" یعنی تمام درجات عضویت به توان 2 می رسند که حاصل به صورت زیر خواهد بود:
بسیار پیر= {(9/0,45)و(25/0,50)و(64/0,55)و(8/0,60)و(1,60)و(1,75)}
و یا برای نمونه عملگری مثل "کم و بیش" که خاصیت تضعیف کنندگی مفهوم را با خود بدنبال دارد بصورت "کم و بیش پیر"="پیربه توان " .
کمیت سنجهای زبانی: منطق کلاسیک دو نوع کمیت سنج را به رسمیت می‌شناسد: 1)کمیت سنج جامع؛ همه‌ی اشیاء خصوصیت معینی دارند. 2)کمیت سنج وجودی؛ حداقل یک شیء وجود دارد که خصوصیت معینی داشته باشد. اساساً، دو نوع کمیت سنج فازی وجود دارد: 1)مطلق؛ تقریباً ، چندین و... 2)نسبی؛ بیشتر، معدود و ...
در ادامه مهمترین خصوصیات منطق فازی آمده است:
• طبق منطق فازی، استدلال دقیق یا منطق معمولی حالت خاصی از استدلال تقریبی است.
• هر سیستم منطقی قابل تبدیل به منطق فازی است.
• در منطق فازی دانش به عنوان مجموعه‌ای از محدودیتهای فازی یا انعطاف پذیر روی متغیرها در نظر گرفته میشود.
• استنتاج به عنوان فرآیند انتشار این محدودیتها در نظر گرفته میشود.
• در منطق فازی تمام مسائل دارای راه حلی هستند که درجه مطلوبیت(امکان)را نشان می‌دهد.
1-1-3- سیستم های فازی
در پردازش اطلاعات فازی، تفکر،دانش و تجربه‌ی بشر به صورت واژه وارد رایانه می‌شوند و این واژه‌ها به وسیله‌ی توابع عضویت(MF)تصویر می‌شوند و به این ترتیب عملیات ورود اطلاعات به رایانه‌های رقمی متعارف که قادر به استفاده از کمیت هستند انجام میگیرد.
از آنجائی که افراد بشر تفکر خود در مورد اشیاء و پدیده‌ها را با واژگان بیان می‌کنند و چون واژه‌ها حاوی ابهام معنایی هستند(که نیاز به تفکر دارند)در نظریه‌ی منطق فازی بر استفاده از این ابهام تاکید شده است.
راه حل،مقدار،واژگان بشری
سیستمهای فازی، سیستمهای مبتنی بر دانش یا قواعد میباشند، قلب یک سیستم فازی یک پایگاه دانش است که از قواعد اگر-آنگاه فازی تشکیل شده است. دراولین نگاه به اطراف خود به سادگی می‌توانید مجموعه‌ای از این دستگاه ها و لوازم را در خانه و در محل کار خود بیابید. بله، مخترع منطق نوین علمی که جهان صنعت را دگرگون کرد و در کنار منطق دیجیتالی در ساختمان دستگاههای الکترونیکی، "منطق فازی" را به دنیا عرضه نمود، کسی نیست جز پروفسور لطفی زاده.
منطق فازی تعمیمی از منطق دو ارزشی متداول است و درحالیکه در منطق دو دویی جایی برای واژه‌هایی همچون "کم"، "زیاد"، "اندکی"، "بسیار"، ... که پایه‌های اندیشه و استدلال های معمولی انسان را تشکیل می دهند، وجود ندارد. روش پروفسور بر مبنای بکارگیری همین عبارات زبانی است. به عنوان مثال مسئله‌ی رعایت فاصله با خودروی جلویی در هنگام رانندگی را در نظر می‌گیریم، جهت تنظیم این فاصله هنگام مواجه شدن با خودروی روبرو "اگر جاده لغزنده باشد، باید فاصله را زیاد کنیم "و"اگر سرعت خودرو کم باشد، می‌توانیم فاصله را کم کنیم" و "اگر هوا تاریک باشد، فاصله را زیاد می‌کنیم" که غالباً هنگام رانندگی مکان اندازه گیری دقیق میزان سرعت خودرو تاریکی جاده، لغزندگی جاده و نظیر آن به منظور محاسبه مقادیر فاصله مطلوب وجود ندارد، در نتیجه جهت طراحی سیستم ترمز موثر خودرو بر پایه منطق فازی، عباراتی مثل تاریکی کم یا زیاد، سرعت کم یا زیاد، لغزندگی کم یا زیاد و... را به عنوان متغیرهای ورودی و عباراتی همچون "فاصله ی کم یا زیاد" را مشابه آنچه در مغز انسان برای تصمیم گیری رخ می- دهد را به عنوان متغیر خروجی بکار می بندیم. امروزه هیچ دستگاه الکترونیکی، از جمله وسایل خانگی، بدون کاربرد این منطق در ساختار فنی خود ساخته نمی‌شود. با منطق پروفسور لطفی زاده این دستگاه ها هوشمند می‌شوند. امروزه اروپایی‌ها، ژاپنی‌ها و آمریکایی‌ها و همه‌ی کشورهای پیشرو در علم و صنعت، پروفسور لطفی زاده را می‌شناسند و از اهمیت کار او در دانش مدرن بشری آگاهند. برخلاف آموزش سنتی در ریاضی، پروفسور "زاده" در سال 1965 منطق انسانی و زبان طبیعت را وارد ریاضی کرد. مفهوم کلمه یا عبارت به تنهایی ممکن است واضح و روشن باشد، اما زمانیکه از آن بعنوان معیاری در تعیین اعضای یک مجموعه ریاضی استفاده میشود شاید نتوان بطور قاطع شئ را به آن نسبت داد و بالعکس به عنوان "کلمه سال" شناخته شد. با این اوصاف:
الف)ما تا چه حد قادریم احساسات و تفکراتمان را بدون ابهام به مخاطبان خود انتقال دهیم و تا چه حد آن چیزی که بیان می‌کنیم دقیقاً همان خواسته ذهنی ما بوده است؟
ب)چقدر درک مخاطب از جمله‌ی ما، با آنچه که مقصود ما بوده همخوانی داشته است؟
این 2 سوال دو مفهوم متفاوت و در عین حال اساسی در مبحث فازی را بیان می‌کند. بطور کلی برای برقراری ارتباط با محیط اطراف، ما از یک "زبان طبیعی" استفاده می‌کنیم و از آنجا که قدرت تفکر همواره فراتر از توان پیاده سازی آن با یک زبان است برای بسیاری از مفاهیم ذهنی معادل دقیق در دامنه‌ی لغات زبان وجود ندارد. برای سوال دوم هم باید گفت که عوامل مختلفی دربرداشت و درک افراد از یک مفهوم مشخص اثرگذار است. فرضاً در عبارت " هوای سرد" با توجه به مکان زندگی، فرهنگ، حساسیت فرد به سرما و...تعابیر مختلفی برای فرد از عبارت "سردی" قابل تعریف است که لزوماً با شخص دیگر در مکان دیگربرابر نیست، زیرا سردی هوا از نظر افراد مختلف دارای درجات متفاوتی است. کسی که در قطب زندگی می‌کند دمای 15- را سرد می‌داند در حالی که برای فرد ساکن در استوا دمای 5+ هم ممکن است سرد تلقی شود. این تفاوت درک افراد از یک موضوع چگونه قابل توجیه است؟ برای پاسخ به این سوال ابتدا باید مفهوم و جایگاه واژه‌ی "سردی" در دنیای پیرامون ما تعریف و مشخص شود. این نکته همان چیزی است که پروفسور زاده در سال 1973 تحت عنوان متغیرهای زبانی به آن اشاره کرد متغیرهای زبانی که عدد نیستند، بلکه مقادیر آنها حروف ولغات هستند و با مدل سازی مجموعه‌ای برای متغیر زبانی "سردی" سعی در توصیف آن نموده و به هرکدام از دماهای مختلف (x) یک "درجه عضویت" ( ) نسبت می‌دهیم که بیان کننده‌ی میزان تعلق آن عضو به مجموعه است و بین یک بازه‌ی بسته‌ی [0و1] متغیر است. در نتیجه در تئوری مجموعه‌ی فازی A در مجموعه‌ی مرجع U بصورت زوج مرتب است...
بخشی از منابع و مراجع پروژه پروژه دانشجویی بررسی روش های پیش بینی هوشمند دما در word
دکتر محمد مهدوی ،هیدرولوژی کاربردی، جلد1، انتشارات دانشگاه تهران[1]
دکتر هوشنگ قائمی، مبانی هواشناسی،انتشارات دانشگاه شهید بهشتی[2]
امین کوره پزان دزفولی،اصول تئوری مجموعه های فازی[3]
ترجمه ی دکتر محمد حسین فاضل زرندی،تالیف جی.ج.کلر-یو.اس.کلیر و ب.یوآن،تئوری مجموعه های فازی[4]
[5] George J. Klir Bo Yuan, Fuzzy sets and Fuzzy Logic, Theory and applications , Prentice Hall PTR , 1995.
[6] Anna Kolesárová, Monika Ková?ová, Fuzzy sets and their applications STU Bratislava 2004, ISBN 8022720364
[7] Chen, G. Q, Fuzzy Logic in Data Modeling, Semantics, Constraints, and Database Design, Kluwer Academic Publisher,1999.
[8] [Zad65], Fuzzy Sets, Zadeh L.A., 1965
[9] [KYu], Fuzzy Sets and Fuzzy Logic – Theory and Applications, Klin D. George, Bo Yuan
[10] [MLAB], Fuzzy Logic Toolbox, The MathWorks, www.mathworks.com.
[11] [Zim85], Fuzzy Sets, Decision Making and Expert Systems, Zimmermam Hans J., Kluwer Academic Press.
[12] [DPR1], Readings in Fuzzy Set – Fuzzy numbers an overview, Dubois and Prade.
[13] [KZF], An InteractiveUser-Friendly Decision Support System for consensus Reaching Based on Fuzzy Logic with linguistic quantifiers, Kacprzyk, Zadrozny and Fedrizzi.
[14] [YAG88], An Ordered Weighted Averaging Aggregation Operators in Multicriteria
Decision Making , Ronald Yager.
[15] [VIL03], Introducción a la Lógica Difusa para la representación de información imprecisa, Vila Amparo, 2002-2003.
[16] V. Cross and A. Firat, “Fuzzy objects for geographical information systems,” Fuzzy Sets and Systems, Vol. 113, 2000, pp. 19-36.
[17] V. Cross, “Fuzzy extensions for relationships in a generalized object model,” International Journal of Intelligent Systems, Vol. 16, 2001, pp. 843-861.
[18] V. Cross, “Defining fuzzy relationships in object models: Abstraction and interpretation,”Fuzzy Sets and Systems, Vol. 140, 2003, pp. 5-27.
[19] V. Cross, R. Caluwe, and N. van Gyseghem, “A perspective from the fuzzy object
data management group (FODMG),” in Proceedings of the 6th IEEE International Conference on Fuzzy Systems, Vol. 2, 1997, pp. 721-728.
[20] J. C. Cubero and M. A. Vila, “A new definition of fuzzy functional dependency in
[21]fuzzy relational databases,” International Journal of Intelligent Systems, Vol. 9, 1994, pp. 441-448.
[22 ] G. de Tré and R. de Caluwe, “Level-2 fuzzy sets and their usefulness in object- oriented
[23]database modeling,” Fuzzy Sets and Systems, Vol. 140, 2003, pp. 29-49.
[24] D. Dubois, H. Prade, and J. P. Rossazza, “Vagueness, typicality, and uncertainty in
class hierarchies,” International Journal of Intelligent Systems, Vol. 6, 1991, pp. 167-183.
[25] R. George, R. Srikanth, F. E. Petry, and B. P. Buckles, “Uncertainty management issues in the object-oriented data model,” IEEE Transactions on Fuzzy Systems, Vol. 4, 1996, pp. 179-192 and Applications Symposium, 2000, pp. 47-54.
