An intelligent diagnosis system for diabetes on Linear Discriminant Analysis and Adaptive Network Based Fuzzy Inference System: LDA-ANFIS

In this study, an intelligent diagnosis system for diabetes on Linear Discriminant Analysis (LDA) and Adaptive Network Based Fuzzy Inference System (ANFIS): LDA-ANFIS is presented. The structure of this LDA-ANFIS intelligent system for diagnosis of diabetes is composed by two phases: The Linear Discriminant Analysis (LDA) phase and classificiation by using ANFIS classifier phase. In first phase, Linear Discriminant Analysis (LDA) is used to separate features variables between healthy and patient (diabetes) data. In second phase, the healthy and patient (diabetes) features obtained in first phase are given to inputs of ANFIS classifier. The correct diagnosis performance of the LDA-ANFIS intelligent system is calculated by using sensitivity and specificity analysis, classification accuracy and confusion matrix respectively. The classification accuracy of this LDA-ANFIS intelligent system was obtained about 84.61%.     

基于UKF的自适应模糊推理神经网络

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点。针对这一问题,本文提出了基于UKF的自适应模糊推理神经网络(UKF-ANFIS)。首先,通过减法聚类确定UKF-ANFIS的模糊规则及其高斯隶属函数的中心和宽度参数;其次,分析了模糊神经网络的非线性动力系统表示,并用LLS和UKF分别学习线性和非线性的参数;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近和系统辨识实例,表明本文算法得到的模糊神经网络的结构更为紧凑,泛化性能也更佳。     

自适应神经模糊推理结合PID控制的并联机器人控制方法

针对6自由度液压驱动并联机器人的精确控制问题,提出一种结合自适应神经模糊推理系统(ANFIS)和比例积分微分(PID)控制的机器人控制方法。首先,利用浮动坐标系描述法(FFRF)来模拟机器人柔性组件,并构建并联机器人的拉格朗日动力学模型。然后,根据模糊推理中的模糊规则来自适应调整PID控制器参数。最后,利用神经自适应学习算法使模糊逻辑能计算隶属度函数参数,从而使模糊推理系统能追踪给定的输入和输出数据。将该控制器与传统PID控制器、模糊PID控制器进行比较,结果表明,ANFIS自整定PID控制器大大减小了末端器位移误差,能很好的控制并联机器人末端机械手的运动。     

基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP 神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

Adaptive Neuro Fuzzy Inference System (ANFIS) based wildfire risk assessment

Wildfires are extremely destructive disasters that cause significant loss of lives, forest cover and wildlife. This is due to their uncontrolled, erratic, rapid spread and behaviour. The incidence of wildfires is expected to increase worldwide because of Global Warming. Henceforth, it becomes increasingly important to detect and tackle such fires in their infancy to minimise their adverse effects. IoT technology has shown an exponential growth in recent years. Moreover, deployment of IoT devices to monitor and collect time-critical data is pressing need of hour. This research proposes an effective Fog-IoT centric framework for timely detection of wildfires. The proposed methodology provides an efficient real-time solution to dilute the destruction caused by wildfires. Initially, K-means Clustering is used to detect the wildfire outbreak at fog layer followed by real-time alert generation to the administration and community. Furthermore, cloud layer based Adaptive Neuro Fuzzy Inference System is used for assessing the vulnerability of a forest block to forest fires as well as classifying it into one of the five risk zones based on Forest Fire Vulnerability Index. Implementation results of the proposed framework prove its efficiency in detecting and predicting wildfires. In addition, real-time alert generation further enhances the efficacy of the proposed system.     

基于自适应模糊神经系统的网络学习评价模型研究

学习评价是网络学习中十分重要的环节,为克服原有网络学习评价方法的不足,构建一种基于自适应模糊神经系统的评价模型,并进行实验仿真。测试结果表明,基于自适应模糊神经系统的网络学习评价模型提高了网络学习评价的准确率,为网络学习提供一种新评价方法。     

基于线性T-S模糊系统的自适应系统的设计和稳定性分析

提出了一种新型的模糊自适应控制器.其中系统的未知函数由线性T-S模糊系统估计,模糊规则的后件是线性可调的.因线性T-S模糊系统较之Mamdani模糊系统具有更好的估计性能,我们可以获得更小的跟踪误差.由于采用李亚普诺夫合成方法来设计控制器,整个闭环系统全局稳定,所有的信号有界.对倒立摆的仿真验证了这一点.     

基于TSK模糊控制系统的网络异常检测

在网络异常检测中,为了提高对异常状态的检测率,降低对正常状态的误判率,该文提出利用TSK模糊控制系统进行网络异常检测的新方法。在对TSK模糊控制系统的训练中采取梯度下降算法,充分发挥梯度下降局部细致搜索优势。实验数据采用KDDCUP99数据集,实验结果表明,基于梯度下降的模糊控制系统提高了异常检测的准确性。     

基于线性判别分析的Choquet积分的符号模糊测度提取

在解决分类问题时,建立在Choquet积分上的分类器以其非线性和不可加性的特点,扮演着越来越重要的角色。由于Choquet积分中的符号模糊测度可以描述各特征对结果的影响,因此Choquet积分在解决数据分类及融合 问题方面具有显著的优势。但是,关于Choquet积分符号模糊测度值的求解,学术界一直缺乏有效的方法。目前最常用的方法是遗传算法,但是遗传算法在解决符号模糊测度值的优化问题时存在算法较为复杂、耗时较长等缺陷。由于符号模糊测度值在Choquet积分分类器中是决定性的重要参数,因此设计出一种有效的符号模糊测度提取方法十分必要。文中提出基于线性判别分析的Choquet积分符号模糊测度的提取方法,推导出在分类问题下Choquet积分的符号模糊测度值的解析式表达,其能够有效、快速地得出关键性参数。分别在人工数据集及基准实际数据集上进行测试与验证,实验结果表明所提方法能有效解决Choquet积分分类器中符号模糊测度的优化问题。     

有混合数据输入的自适应模糊神经推理系统

现有数据建模方法大多依赖于定量的数值信息,而对于数值与分类混合输入的数据建模问题往往根据分类变量组合建立多个子模型,当有多个分类变量输入时易出现子模型数据分布不均匀、训练耗时长等问题.针对上述问题,提出一种具有混合数据输入的自适应模糊神经推理系统模型,在自适应模糊推理系统的基础上,引入激励强度转移矩阵和结论影响矩阵,采用基于高氏距离的减法聚类辨识模型结构,通过混合学习算法训练模型参数,使数值与分类混合数据对模糊规则的前后件参数同时产生作用,共同影响模型输出.仿真实验分析了分类数据对模型规则后件的作用以及结构辨识算法对模糊规则数的影响,与其他几种混合数据建模方法对比表明本文所提出的模型具有较高的预测精度和计算效率.     

自适应神经模糊推理系统用于症候诊断的研究

提出了基于T-S模型(Takagi-Sugeno型)的自适应神经网络模糊推理系统(AdaptiveNetwork-basedFuzzyInferenceSystem,ANFIS),介绍了高木—关野(Takagi-Sugeno型)模型结构和自适应神经网络模糊推理系统的结构和算法。该文采用减法聚类初始化模糊推理系统模型,把神经网络学习机制引入到逻辑推理中,使传统的逻辑推理不仅具有逻辑思维及语言表达能力而且具有自学习和联想能力,通过2型糖尿病症候数据库验证了ANFIS用于症候诊断的合理性和有效性。提示自适应神经网络模糊推理系统适合中医症候诊断的研究。     

基于Choquet积分-OWA的自适应神经模糊推理系统及其应用

针对已有的自适应神经模糊推理系统(ANFIS)在模糊规则后件表达上的缺陷和常见的模糊推理系统存在的主要问题,提出基于Choquet积分OWA的模糊推理系统(AggFIS),在模糊规则的后件表达、模糊算子的普适性和输入及规则的权重等方面有很大优势,它试图建立能够充分体现模糊逻辑本质和人类思维模式的模糊推理系统.根据模糊神经网的基本原理将AggFIS与前馈神经网络相结合,得到基于Choquet积分-OWA的自适应神经模糊推理系统(Agg-ANFIS),并将该模型应用于交通服务水平评价问题.实验结果证明,基于Choquet积分OWA的自适应神经模糊推理系统具有很好的非线性映射功能,它的本质是一类通用逼近器,为解决复杂系统的建模、分析及预测问题提供了有效的途径.     

基于线性判别分析和自适应K近邻法的手势识别

基于小容量数据集的手势识别是人机交互技术研究中的一个重要课题。本文提出了一种基于线性判别分析和自适应K近邻法的手势识别方法。首先,应用高斯背景建模方法从包含目 标交互者的训练视频集中提取各类手型图像,并调整到相同尺度来构建手势训练集。然后,通过改进的线性判别分析对训练数据进行特征提取。最后提出一种自适应K近邻法对实时交互过程中得到的手型信息进行分类和识别。应用上述方法自建小型手势库进行实验和比较分析,结果显示与现有的手势识别算法相比,本文方法具有更高的识别率。     

基于改进的双向二维线性判别分析的人脸识别

针对传统的二维线性判别方法提取出的人脸特征系数维数大的问题,提出一个改进的双向二维线性判别分析方法GB2DLDA。双向压缩类内和类间散布矩阵,用压缩后的散布矩阵构成两个Fisher鉴别准则函数,求出两个投影矩阵,然后人脸图像矩阵向投影矩阵投影,提取出特征系数。实验证明在相同识别率下,用此方法提取的特征系数维数明显少于其它二维线性判别分析方法。在选择合适的特征向量的情况下,此方法的识别率要好于其它二维线性判别分析方法。     

一种基于模糊神经网络的专家系统推理的方法

本文以船舶自动控制装置减摇鳍为例,提出了一种基于模糊神经网络的故障诊断专家系统的推理方法,充分利用模糊逻辑在处理不确定性知识和神经网络在模拟推理,自动学习,并行处理等方面的优势,以克服传统专家系统推理机的不足。     

Adaptive Neuro-Fuzzy Inference System for diagnosis risk in dengue patients

Dengue disease is considered as one of the life threatening disease that has no vaccine to reduce its case fatality. In clinical practice the case fatality of dengue disease can be reduced to 1% if the dengue patients are hospitalized and prompt intravenous fluid therapy is administrated. Yet, it has been a great challenge to the physicians to decide whether to hospitalize the dengue patients or not due to the overlapping of the medical diagnosis criteria of the disease. Beside that physicians cannot decide to admit all patients because this will have major impact on health care cost saving due to the huge incident of dengue disease in the country. Even if the physicians managed to identify the critical cases to be hospitalized, most of the tools that have been used for monitoring those patients are invasive. Therefore, this study was conducted to develop a non-invasive accurate diagnostic system that can assist the physicians to diagnose the risk in dengue patients and therefore attain the correct decision. Bioelectrical Impedance Analysis measurements, Symptoms and Signs presented with dengue patients were incorporated with Adaptive Neuro-Fuzzy Inference System (ANFIS) to construct two diagnostic models. The first model was developed by systematically optimizing the initial ANFIS model parameters while the second model was developed by employing the subtractive clustering algorithm to optimize the initial ANFIS model parameters. The results showed that the ANFIS model based on subtractive clustering technique has superior performance compared with the other model. Overall diagnostic accuracy of the proposed system is 86.13% with 87.5% sensitivity and 86.7% specificity.     

一种自适应最大拒绝鉴别分析及其鉴别矢量集

针对 MRC-Boosting方法中的弱分类器二值化以及鉴别矢量不正交等问题,提出一种自适应最大拒绝鉴别分析(AdaMRDA),进一步提高分类性能。通过已抽取的鉴别特征到期望中心的距离,设计一种自适应权重调整方法,使得后面得到的鉴别矢量更加有利于分类,并且给出最佳正交鉴别矢量集的求解方程。最后,通过在2个数据库上的实验证明,AdaMRDA方法在分类性能上明显优于MRC-Boosting方法及相关方法。     

基于局部线性判别器融合的非线性流形判别分析

提出一种基于局部线性判别器融合的方法,在非线性流形上展开判别分析.首先根据Gabriel图对整体流形作局部区域划分,并构造局部线性判别器.然后通过局部判别器融合获取整体非线性判别器:基于边界准则函数,以迭代优化的方式为每个局部判别器分配最佳的权重系数.基于边界准则函数的融合算法,克服小样本问题,消除整体判别器的性能对样本分布的依赖性.在人工合成数据集以及人脸图像库上的实验证明本文算法的有效性.     

基于遗传算法的线性判别分析方法

由于线性判别分析(Linear discriminant analysis,LDA)算法并不直接以训练误差作为目标函数,所以在Fisher准则不能代表最小训练误差情况下,LDA算法无法找到最优的分类子空间.本文针对这种情况,首先通过分析数据样本分布与LDA投影向量之间的关系,揭示了LDA投影向量与类间散布矩阵和类内散布矩阵特征值之间存在的关联,并以此提出一种基于遗传算法的LDA算法.该算法以子空间上的训练误差最小为目标,通过遗传算法调整LDA算法中类间矩阵特征值的大小,达到搜索最佳特征子空间的效果.通过模拟数据和真实数据的实验,表明这种方法的分类正确率比现有的线性子空间方法有明显提高.     

一种用于网络取证分析的模糊决策树推理方法

网络取证是对现有网络安全体系的必要扩展,已日益成为研究的重点.但目前在进行网络取证时仍存在很多挑战:如网络产生的海量数据;从已收集数据中提取的证据的可理解性;证据分析方法的有效性等.针对上述问题,利用模糊决策树技术强大的学习能力及其分析结果的易理解性,开发了一种基于模糊决策树的网络取证分析系统,以协助网络取证人员在网络环境下对计算机犯罪事件进行取证分析.给出了该方法的实验结果以及与现有方法的对照分析结果.实验结果表明,该系统可以对大多数网络事件进行识别(平均正确分类率为91.16%),能为网络取证人员提供可理解的信息,协助取证人员进行快速高效的证据分析.