Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.creator | Orang, Omid | - |
Autor(es): dc.creator | Silva, Petrônio Cândido de Lima e | - |
Autor(es): dc.creator | Silva, Rodrigo César Pedrosa | - |
Autor(es): dc.creator | Guimarães, Frederico Gadelha | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:15:25Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:15:25Z | - |
Data de envio: dc.date.issued | 2023-07-24 | - |
Data de envio: dc.date.issued | 2023-07-24 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | http://www.repositorio.ufop.br/jspui/handle/123456789/17051 | - |
Fonte completa do material: dc.identifier | https://www.sciencedirect.com/science/article/pii/S0925231222011171 | - |
Fonte completa do material: dc.identifier | https://doi.org/10.1016/j.neucom.2022.09.030 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1008145 | - |
Descrição: dc.description | Fuzzy Cognitive Maps (FCMs) have emerged as an interpretable signed weighted digraph method consisting of nodes (concepts) and weights which represent the dependencies among the concepts. Although FCMs have attained considerable achievements in various time series prediction applications, designing an FCM model with time-efficient training method is still an open challenge. Thus, this paper introduces a novel univariate time series forecasting technique, which is composed of a group of randomized high order FCM models labeled R-HFCM. The novelty of the proposed R-HFCM model is relevant to merging the concepts of FCM and Echo State Network (ESN) as an efficient and particular family of Reservoir Computing (RC) models, where the least squares algorithm is applied to train the model. From another perspective, the structure of R-HFCM consists of the input layer, reservoir layer, and output layer in which only the output layer is trainable while the weights of each sub-reservoir components are selected randomly and kept constant during the training process. As case studies, in this paper we consider solar energy forecasting with public data for Brazilian solar stations, hourly electric load of the power supply company of the city of Johor in Malaysia, solar energy dataset from United States National Renewable Energy Laboratory (NREL), electric load data from the Global Energy Forecasting Competition 2012 (GEFCom 2012), and PJM hourly energy consumption data. The experiments also include the effect of the map size, activation function, the number of order and the size of the reservoir on the accuracy of R-HFCM method. The obtained results confirm the outperformance of the proposed R-HFCM model in comparison to the other methods. This study provides evidence that FCM can be a new way to implement a reservoir of dynamics in time series modeling. The Python code of the model is publicly available for research replication. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Direitos: dc.rights | restrito | - |
Palavras-chave: dc.subject | Time series forecasting | - |
Palavras-chave: dc.subject | Echo state network | - |
Palavras-chave: dc.subject | Least squares algorithm | - |
Título: dc.title | Randomized high order fuzzy cognitive maps as reservoir computing models : a first introduction and applications. | - |
Aparece nas coleções: | Repositório Institucional - UFOP |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: