English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Neste trabalho utiliza-se de um sistema de inferencia fuzzy que incorpora o aprendizado por meio de um conjunto de dados onde as variaveis de entrada estao relacionadas com suas respectivas variaveis de saidas. Takagi e Sugeno foram pioneiros em propor um modelo de sistema de inferencia fuzzy, onde sao utilizadas entradas e regras fuzzy mas com a saida do sistema sendo conjuntos nao-fuzzy. Este modelo e uma excelente ferramenta para modelagem de problemas complexos e nao lineares, quando combinado com a estrutura da rede de Sistema de Inferencia Fuzzy Neuro Adaptativa (ANFIS). Sistemas de inferencia fuzzy sao utilizados com base em um conjunto regras, do tipo “se...entao”, que representam as entradas e saidas do modelo, associando a capacidade de aprendizado das redes neurais artificiais com o poder de interpretacao linguistico dos sistemas de inferencia fuzzy, as quais sao capazes de tratar conhecimentos incompletos, incertos ou mesmo conflitantes. E apresentado uma aplicacao onde os dados estimados pelo modelo se mostraram correlacionados, indicando boa exatidao para o modelo neuro-fuzzy obtido, onde pode ser verificada a capacidade e a eficiencia dos sistemas de inferencia fuzzy.

Modelagem para previsão/estimação: uma aplicação neuro-fuzzy