Interpolation (FPI) and Fuzzy Linear Regression (LFR)
Introduzione
Il paper “Interpolation (FPI) and Fuzzy Linear Regression (LFR)” di M. C. Floreno e G. Novelli, pubblicato nel 1996 su Le Matematiche (Vol. 51, N. 1, p. 59), esplora metodi avanzati per l’approssimazione e la modellazione di dati incerti attraverso tecniche di interpolazione fuzzy e regressione lineare fuzzy
Obiettivi del Lavoro
- Analizzare metodologie di interpolazione fuzzy (FPI) per dati incerti o rumorosi
- Proporre un modello di regressione lineare fuzzy (LFR) per rappresentare relazioni tra variabili in contesti non deterministici
- Confrontare le prestazioni dei metodi fuzzy rispetto ai metodi classici di interpolazione e regressione
Metodologie Proposte
- Fuzzy Piecewise Interpolation (FPI): Tecnica che utilizza funzioni fuzzy per interpolare set di dati, fornendo una maggiore robustezza rispetto ai metodi tradizionali
- Fuzzy Linear Regression (LFR): Modello di regressione che incorpora insiemi fuzzy nei parametri, gestendo incertezza e approssimazione in modo naturale
Applicazioni e Risultati
- Le tecniche proposte sono particolarmente utili per dati affetti da incertezza intrinseca
- I risultati mostrano come FPI e LFR forniscano migliori prestazioni predittive e adattive in presenza di rumore nei dati
Conclusioni
L’approccio fuzzy presentato nel paper costituisce un’importante alternativa ai metodi tradizionali, migliorando la capacità di modellare e interpretare dati incerti o imperfetti
Origine del Lavoro
Questo articolo è stato sviluppato a partire dalla Tesi di Laurea in Scienze dell’Informazione di Giovanni Novelli, conseguita il 22 luglio 1995. Il lavoro di tesi ha fornito le basi teoriche e sperimentali per le metodologie di interpolazione e regressione fuzzy successivamente pubblicate.
Una versione preliminare del paper è disponibile in formato PDF: novelli-fuzzy-paper.pdf
Riferimento Bibliografico
- M. C. Floreno, G. Novelli. Interpolation (FPI) and Fuzzy Linear Regression (LFR). Le Matematiche, 1996; 51(1): 59