Design of a qualitative classification model through fuzzy support vector machine with type‐2 fuzzy expected regression classifier preset

Methods of qualitative analysis, such as qualitative classification, have gained importance as an essential complement of existing quantitative analysis in numerous fields. Only a few models have been developed to deal with qualitative inputs in the form of type‐2 fuzzy(T2F) sets properly, given that traditional defuzzification method like the Karnik–Mendel algorithm performs dimensionality reduction at the cost of loss of information. To improve the situation, we define the expected value and variance of T2F set in this paper. By using a combination of them, we transfer the vertical three‐dimensional uncertainty of T2F set to horizontal range uncertainty without much distortion of information. Additionally, current classification models are unsuitable to the partial classification problem if an output is not fully assigned to a single class. We build a comprehensive qualitative classification model based on fuzzy support vector machine (FSVM) combined with type‐2 fuzzy expected regression (FER) to solve the partial classification problem as mentioned. This classifier (i.e. FER‐FSVM) makes it possible to achieve the discrimination of output while characterizing membership for each class in terms of multidimensional qualitative inputs (attributes) in the form of T2F sets. FER‐FSVM also can self‐learn the data structure and shift between FER or FSVM for classification automatically, thus largely improving the efficiency of the classification process. The new model is almost 7 times more efficient than FSVM, as shown by our empirical experiments. © 2016 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

A fuzzy C‐regression model algorithm using a new PSO algorithm

In this paper, a new methodology is introduced for the identification of the parameters of the multiple‐input–multiple‐output local linear Takagi‐Sugeno fuzzy models using the weighted recursive least squares (WRLS). The WRLS is sensitive to initialization, which leads to no convergence. In order to overcome this problem, adaptive chaos particle swarm optimization is proposed to optimize the initial states of WRLS. This new algorithm is improved versions of the original particle swarm optimization algorithm. Finally, comparative experiments are designed to verify the validity of the proposed clustering algorithm and the Takagi‐Sugeno fuzzy model identification method, and the results show that the new method is effective in describing a complicated nonlinear system with significantly high accuracies compared with approaches in the literature.     

应用模糊线性回归模型预测中长期电力负荷

针对负荷影响因素的复杂性和不确定性,结合模糊数学和线性回归模型,讨论应用模糊线性回归模型预测负荷的变化区间。推导了模糊线性回归模型参数求解的数学模型,详细讨论了隶属度的取值对模型参数的影响。应用该模型进行实际预测,分析结果表明该方法的有效性。对模糊预测结果的评判进行了探讨,提出了利用实际值在预测区间的隶属度之和判别预测结果优劣的方法。     

A combination of genetic algorithm‐based fuzzy C‐means with a convex hull‐based regression for real‐time fuzzy switching regression analysis: application to industrial intelligent data analysis

Processing an increasing volume of data, especially in industrial and manufacturing domains, calls for advanced tools of data analysis. Knowledge discovery is a process of analyzing data from different perspectives and summarizing the results into some useful and transparent findings. To address such challenges, a thorough extension and generalization of well‐known techniques such as regression analysis becomes essential and highly advantageous. In this paper, we extend the concept of regression models so that they can handle hybrid data coming from various sources which quite often exhibit diverse levels of data quality. The major objective of this study is to develop a sound vehicle of a hybrid data analysis, which helps in reducing the computing time, especially in cases of real‐time data processing. We propose an efficient real‐time fuzzy switching regression analysis based on a genetic algorithm‐based fuzzy C‐means associated with a convex hull‐based fuzzy regression approach. The method enables us to deal with situations when one has to deal with heterogeneous data which were derived from various database sources (distributed databases). In the proposed design, we emphasize a pivotal role of the convex hull approach, which is essential to alleviate the limitations of linear programming when being used in modeling of real‐time systems. © 2013 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究

当前,中长期负荷预测大多采用多元回归算法,但在建模时对影响因子及历史年的选择缺乏良好的依据,很难在考虑更多影响因子及历史年数据与降低回归模型误差之间做出平衡。这使多元回归算法在实际负荷预测中的精准度很不稳定。将粗糙集理论与D-S证据理论引入多元回归算法,利用粗糙集理论对影响因子进行重要性排序。分别以历史年和影响因子为对象进行聚类,以此建立多个多元回归模型。利用D-S证据理论对多个组合预测的权重分配方案进行权重融合,得出最终基于多元回归分析法的组合预测模型。经算例验证,该模型能较好地平衡影响因子和历史年的选取,能有效提高多元回归算法在中长期负荷预测中的准确性,适用性强。     

基于T-S模型的自校正模糊控制器及在串励电机调速中的应用

针对受控对象的非线性和参数不确定及时变特性,提出了一种基于T-S模型的自校正模糊控制器,采用梯度法对该模糊控制器参数进行在线调整和修正,利用李雅普诺夫稳定性理论对该控制器的稳定性进行了分析,得到了保证控制系统稳定的充分条件,并进行了仿真研究。仿真和实验结果表明,将其应用于单相串励电机的速度调节算法中,其输出性能指标优于传统的PID控制器,该自校正模糊控制器对参数不确定或时变及非线性受控对象均具有良好的动态响应特性和鲁棒性。     

基于模糊集合理论的发电机低励失磁故障识别方法研究

当发电机发生外部故障时,基于阻抗判据的低励失磁保护,存在误动的可能性。根据低励失磁和外部故障所呈现的不同特征,利用模糊集合理论,提出一种识别低励失磁故障和外部故障的方法。通过分析故障时的特征量,并选择合适的隶属函数,建立了相应的模糊数学模型。Matlab的仿真计算结果也证明了该方法的有效性和可靠性。     

基于模糊集合理论的电力系统振荡与短路的识别

将模糊集合理论中模糊隶属度的概念应用到电力系统振荡与短路的识别中 ,通过提取恰当的特征量并赋以一定的权值 ,对短路、振荡及振荡伴随短路这三种情况进行综合判断。仿真分析结果证明该方法的效果是非常明显的 ,识别的准确程度很高     

基于可信性理论的含风电电力系统电压稳定概率评估

由于风速变化对大规模风电并网后的电力系统电压稳定造成影响,提出了对风速进行模糊模拟的可信性静态电压稳定分析方法。该方法不仅能够计算出含有不确定因素时系统降阶雅可比矩阵对角元素的期望值和均方差,而且建立了基于可信性意义下的静态电压稳定指标。该方法避免了不确定参数分布函数类型的假设和参数统计对分析结果的影响,仅需根据不确定参数的实际变化范围和描述不确定参数的隶属度函数类型确定计算结果。最后,与采用两点估计法和蒙特卡洛仿真法后的计算结果进行对比,证明了所提方法在计算精度和计算量方面的优越性。     

基于模糊贴近度的继电器产品概念设计新方法

基于模糊集模式识别理论中的“模糊贴近度”,提出了继电器产品在概念设计阶段进行结构设计的新方法。该方法首先时每种结构类型的产品建立标准模型,每个标准模型描述了相应类型的产品的典型信息; 在这里,标准模型的各个属性值均以模糊集合的形式表达。当用户提出的产品技术性能要求带有模糊性质时,则建立相应的模糊集合。然后,对于标准模型与用户的设计要求,针时同一属性计算两个模糊集合之间的贴近度,进而得到“设计要求”与每个标准模型关于全部属性的加权贴近度。最后根据“择近原则”,合理选择产品结构类型。该方法适宜应用在产品的智能设计系统中,可为产品的概念设计提供决策支持。     

基于模糊分析的灰色聚类法在综合航电系统仿真可信度分析中的应用

综合航电系统仿真的可信度研究越来越成为航电综合化仿真方面的一个重要研究课题,基于模糊分析的灰色聚类法是对综合航电系统仿真可信度进行评估的一种有效方法,首先对灰色理论和模糊分析法做了阐述,然后对模糊分析的灰色聚类法进行了重点说明并介绍了一个具体综合航电系统仿真可信度例子。此方法简单易行,合理性性强,为综合航电系统仿真可信度评估提供了一种较好的标准。     

基于模糊期望值模型的配电网网架规划

传统配电网网架规划中,不确定规划参数的处理是规划的难点.为深入研究该问题,考虑了负荷预测值的不确定性,引入可信性理论和不确定规划方法,建立了基于模糊期望值模型的配电网网架规划模型,并采用遗传算法求解.该模型采用梯形模糊变量表示负荷预测值,其目标函数和约束条件均具有明确的数学意义,可采用严格的数学方法求解,克服了传统配电...     

基于非线性模型的开关磁阻电机自适应模糊控制

开关磁阻电机（SRM）结构特殊且具有严重非线性,开关磁阻电机驱动系统（SRD）更是一个多变量高度耦合,非线性极强的控制系统,采用常规控制方式难以获得良好的控制效果,为研究自适应模糊控制对SRD控制系统的有效性,本文从建立SRM非线性电感模型入手,导出适合于控制策略研究的SRM非线性数学模型,基于此模型进行了SRD系统自适应模糊控制的仿真与实验研究,结果表明这种自适应模糊控制能使SRD获得较好的动,静态特性。     

基于模糊集合理论和集对原理的径流丰枯分类方法

在分析现有基于集对分析的年径流丰枯分类方法不足的基础上,考虑径流等级划分的模糊性和径流的年内分布特性,提出模糊化径流分级标准,并引入基于径流分布的年内丰枯贡献权重因子,得到年径流对于各个等级的综合隶属度,进而利用集对分析方法判断年径流的丰枯等级。利用所提方法对溪洛渡径流丰枯等级进行分析,结果表明该方法较于单一的集对分析方法能更好的描述径流丰枯状态。     

粗集-模糊推理技术在水文中长期预报中的应用研究

针对多因素中长期预报中预报因子的选择问题,本文结合预报因子与预报对象的相关性分析,利用粗集理论的属性重要性概念对预报因子进行优化和选择,对历史数据进行分析约简确定模糊推理的最小决策规则集,建立模糊推理中长期预报模型,并应用于大伙房水库的年径流预报中.结果表明,采用粗集理论对预报因子进行筛选,对推理预报规则进行简化,可提高模糊推理预报精度.粗集理论与模糊推理技术相结合是多因素中长期水文预报的一个有益的尝试.     

基于模糊DEA理论的继电保护装置状态评价研究

为了更加科学、合理和客观地反映继电保护装置运行状态,提出了一种基于模糊DEA理论的继电保护状态评价方法。在兼顾有效性和可行性的基础上,结合继电保护装置的故障情况提取状态监测信息,并与历史运行信息及其他因素相关联,建立继电保护状态评价体系。引入模糊理论中评判集及模糊正态隶属度函数等概念对各定性指标进行量化。在此基础上,运用基于 截集解的改进模糊DEA模型对继电保护装置运行状态进行综合评价,根据平均效率评价值得出其运行状态评价结果。最后,通过算例对该方法的有效性和合理性进行了验证。     

基于粗糙集与模糊神经网络的变压器故障诊断方法

将基于粗糙集理论的模糊神经网络，应用于变压器故障诊断中，充分利用粗糙集理论对知识的约简能力模糊神经网络优良的分类能力，首先利用粗糙集方法对原始数据进行约简，形成精简的规则集，以此基础构建的模糊神经网络结构完全是由粗糙集最终约简规则决定的，具有良好的拓扑结构，网络规模大大减少，学习速度大为提高，而且保持了网络较好的分类能力。     

基于DS/AHP和灰云聚类的制导仿真系统可信度评估方法

针对复杂制导仿真系统可信度量化的主观性和不确定性,给出了基于证据理论和灰云聚类的仿真可信度评估模型.首先以群组层次分析法获得多位专家的意见,并对不一致意见进行证据理论融合,得到具有更高可信度的指标权重;然后采用灰云聚类的方法,以灰云模型作为白化权函数,对定性评价进行量化处理,最后通过计算灰色聚类系数完成对仿真系统的可信度评估.应用此模型对制导半实物仿真系统进行评价,结果符合客观实际,表明该模型具备可行性和实用性,为仿真可信度评估和综合评价问题提供了一种新的有效途径.     

基于模糊聚类的神经网络模型及其在渗流分析中的应用

本文采用模糊聚类理论方法对因子集进行模糊聚类 ,然后利用神经网络的方法建立样本因子集类别变量特征值与样本观测值之间的预测模型 ,提出了将模糊聚类、模糊模式识别以及神经网络三者有机结合的预测理论。并通过某大坝渗流计算实例对传统的统计预报模型和基于模糊聚类的神经网络预测模型进行了比较 ,结果表明后者的预报精度比前者要高。     

基于模糊理论与支持向量机的变压器故障诊断方法

针对变压器结构的复杂性和故障机理的多样性,提出一种基于模糊理论和支持向量机的变压器故障诊断方法.该方法首先采用模糊理论对故障样本数据进行预处理,提取故障特征,再用支持向量机方法进行故障分类,通过采用一对多(1-a-r)的方法实现多目标分类,得出诊断结果.针对支持向量机参数不易确定的问题,采用多层动态自适应算法与k-折交叉验证方法结合对参数进行优化分析.故障诊断实例测试结果显示,该方法不仅克服了传统比值法中编码缺失、编码边界过于绝对的问题,诊断结果具有更高的准确率,而且也具有较好的适用性.