با توجه به اهمیت مسائلی چون پیش بینی و تصمیم گیری در زندگی روزمره، استفاده از روش هایی چون مدل کردن سیستم های فازی که بتوانند سیستم های پیچیده را به نحو مناسبی توصیف کنند بسیار حائز اهمیت است. از طرفی با وجود حجم زیاد داده ها، مدل کردن فازی سیستم ها با مشکل نفرین ابعاد روبرو است. در نتیجه یافتن روش هایی که علاوه بر کاهش ابعاد مساله، دقت سیستم را نیز بهبود دهند بسیار مورد توجه است. در این مقاله مدلی توسعه یافته از شبکه عصبی فازی شعاعی پایه بر پایه دانه اطلاعات ارائه شده است که توانایی بیشتری در اداره کردن عدم قطعیت موجود در داده ها نسبت به مدل معمولی دارد. در مدل پیشنهادی با استفاده از الگوریتم خوشه بندی فازی نوع دو بازه ایی بخش مقدم قوانین فازی نوع دو بازه ای ایجاد می شوند که قسمت تالی آنها از نوع چند جمله ای مرتبه دو اصلاح یافته با ضرایب فازی است. خروجی سیستم با الگوریتم کرنیک مندل محاسبه می شود. از روش پیشنهادی برای پیش بینی پارامترهای ME, RMSE, MSE و MAPE مورد بررسی قرار گرفته است. مشاهدات حاکی از افزایش دقت پیش بینی در مقایسه با مدل معمولی است.

کلمات کلیدی