Нечіткий робастний регресійний аналіз для нечітких вхідних та вихідних даних

Автор(и)

  • Вера Ильинична Грицюк Харківський національний університет радіоелектроніки, пр. Леніна, 14, м. Харків, 61166, Україна https://orcid.org/0000-0003-3034-8174

DOI:

https://doi.org/10.15587/2312-8372.2015.54189

Ключові слова:

робастна регресія, нечітка регресія, функція приналежності

Анотація

У множинному регресійному аналізі дуже важливий аналіз даних. Якщо набір даних має викиди, використовують робастні методи оцінки параметрів. Коли вхідні дані нечіткі і набір даних має викиди, вагова матриця визначається по відношенню до функції приналежності. Нечітка робастна регресія досліджується замість тільки методу найменших квадратів або тільки робастних методів.

Біографія автора

Вера Ильинична Грицюк, Харківський національний університет радіоелектроніки, пр. Леніна, 14, м. Харків, 61166

Кандидат технічних наук, доцент

Кафедра проектування та експлуатації електронних апаратів

Посилання

  1. Tanaka, H., Uegima, S., Asai, K. (1982). Linear regression analysis with fuzzy model. IEEE Transactions on Systems, Man, and Cybernetics, Vol. 12, № 6, 903–907. doi:10.1109/tsmc.1982.4308925
  2. Yang, M.-S., Liu, H.-H. (2003). Fuzzy Least Squares Algorithms for Interactive Fuzzy Linear Regression Models. Fuzzy Sets and Systems, Vol. 135, № 2, 305–316. doi:10.1016/s0165-0114(02)00123-9
  3. Rousseeuw, P., Daniels, B., Leroy, A. (1984). Applying robust regression to insurance. Insurance: Mathematics and Economics, Vol. 3, № 1, 67–72. doi:10.1016/0167-6687(84)90020-9
  4. Alma, G. (2011). Comparison of Robust Regression Methods in Linear Regression. International Journal of Contemporary Mathematical Sciences, Vol. 6, № 9, 409–421.
  5. Qadir, M. F. (1996). Robust Method for Detection of Single and Multiple Outliers. Scientific Khyber, Vol. 9, 135–144.
  6. Asad, A., Qadir, M. F. (2005). A Modified M-Estimator for the Detection of Outliers. Pakistan Journal of Statistics and Operation Research, Vol. 1, № 1, 49–64. doi:10.18187/pjsor.v1i1.116
  7. Rousseuw, P. J., Leroy, A. M. (1987). Robust regression and outlier detection. New York: JohnWiley&Sons, 334.doi:10.1002/0471725382
  8. Kula, K. S., Apaydin, A. (2008). Fuzzy Robust Regression Analysis Based on the Ranking of Fuzzy Sets. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, Vol. 16, № 1, 663–681. doi:10.1142/s0218488508005558
  9. Kula, K. S., Fatih Tank, Türkan Erbay Dalkiliс. (2012). A study on fuzzy robust regression and its application to insurance. Mathematical and Computational Applications, Vol. 17, № 3, 223–234.
  10. Sanli, K., Apaydin, A. (2004). The fuzzy robust regression analysis, the case of fuzzy data set has outlier. G. U. Journal of Science, Vol. 17, 71–84.
  11. Xu, R., Li, C. (2001). Multidimensional least-squares fitting with a fuzzy model. Fuzzy Sets and Systems, Vol. 119, № 2, 215–223. doi:10.1016/S0165-0114(98)00350-9

##submission.downloads##

Опубліковано

2015-11-26

Як цитувати

Грицюк, В. И. (2015). Нечіткий робастний регресійний аналіз для нечітких вхідних та вихідних даних. Technology Audit and Production Reserves, 6(2(26), 4–8. https://doi.org/10.15587/2312-8372.2015.54189

Номер

Том 6 № 2(26) (2015): Математичне моделювання. Інформаційні технології

Розділ

Математичне моделювання: Оригінальне дослідження

Ліцензія

Авторське право (c) 2016 Технологічний аудит та резерви виробництва

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.