Neuro-fuzzy predictions of construction site completion dates

W artykule porównano wyniki prognoz uzyskane wielowarstwowymi sztucznymi sieciami neuronowymi (obliczenia wykonano pakietem Matlab R2015a). Pierwsza z nich miała jeden neuron w warstwie wyjściowej, któremu przypisano wartość opóźnienia w terminie zakończenia danej budowy. Warstwę wyjściową drugiej sieci stanowiły trzy neurony, zawierające wartości funkcji przynależności tego samego opóźnienia do trzech zborów rozmytych. Do porównania dokładności prognoz uzyskanych z dwóch ww. sztucznych sieci neuronowych zastosowano średni błąd kwadratowy. Wymagało to znalezienia najlepszej metody defuzzyfikacji  prognoz otrzymanych w postaci liczb rozmytych. Dokładność prognoz została porównana i przedyskutowana.

[1] Tadeusiewicz R., Nałęcz M., Biocybernetyka i inżynieria medyczna 2000. T. 6 Sieci Neuronowe, Akademicka Oficyna Wydawnicza EXIT, Warsaw 2000.Zadeh L.A., Fuzzy Sets, Information and Control, 8, 1965, 338–353.
[2] Zadeh L.A., Knowledge representation in Fuzzy Logic, IEEE Transaction on Knowledge
and Data Engineering, Vol. 1, No. 1, March 1989. [3] Bartkiewicz J. (red. Zielińśki J.S.), Inteligentne systemy w zarządzaniu, PWN, Warszawa 2000.
[4] Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa 1996.
[5] Statsoft Polska Sp. z o.o., Wprowadzenie do sieci neuronowych, Statsoft, Kraków 2001.
[6] Ibadov N., Determination of the Risk Factors Impact on the Construction Projects Implementation Using Fuzzy Sets Theory, Acta Physica Polonica A, Vol. 130, No. 1, 2016, p. 107–111, DOI: 10.12693/APhysPolA.130.107.
[7] Ibadov N., Fuzzy estimation of activities duration in construction projects, Archives of Civil Engineering, Vol. 61, Issue 2, 2015), 23–34. DOI: 10.1515/ace-2015-0012.
[8] Anysz H. Porównanie trafności prognoz sztucznych sieci neuronowych MLP z jedną i dwoma warstwami ukrytymi na przykładzie prognoz wyników finansowych przedsiębiorstw budowlanych, Logistyka 3/2014, 87–94.
[9] Anysz H., Zbiciak A., Ibadov N., The influence of input data standardization method on prediction accuracy of artificial neural networks, Procedia Engineering 153, 2016, 66–70, DOI: 10.1016/j.proeng.2016.08.081.
[10] Rutkowski L., Metody i techniki sztucznej inteligencji, PWN, Warszawa 2012.