自适应模糊系统理论在负荷预测中的应用研究

应用自适应模糊系统理论的最新成果实现实用化的预测系统,并以电力电负荷预测为具体应用背景完成了实验研究,系统的建立和运行分别依赖于对历史数据和对实时数据的离线和在线学习,具有明显的自适应性和鲁棒性,通过合理的设计实现简洁的系统结构,通过在线训练确定优化的系统设置,短期负荷预测的日均相对误差小于２％,可以满足现场的实用化要求。     

自适应模糊神经控制器在MIMO 系统中的应用研究

首先给出一种适用于MIMO系统的自适应模糊控制器，然后针对该控制器用于复杂系统时，存在模期规则过多且建立规则的时间随规则数增加呈指数增长的问题，提出了另一种适用于MIMO非线性系统的自适应模期神经控制器，该控制器采用“全逼近”的控制策略，依据李亚普诺夫方法给出了模糊神经自适应输出反馈控制律和参数自适应律，仿真研究证明了MIMO非线性系统系统的稳定性以及跟踪误差的收敛性。     

自适应优化的模糊预测系统及其应用

本文设计并实现了一个模糊预测系统,该系统通过对历史数据的自适应学习获得初始的预测模型,借助实时数据的梯度信息对系统参数进行自适应优化,具有较强的适应性和自学习能力。以电力负荷预测为应用背景的一系列实验研究表明这一智能化的预测系统的性能是令人满意的。     

模糊预测控制炉窑温度系统中应用

针对炉窑温度系统的大时滞、多扰动和非线性的特点,将T-S模糊状态空间模型作为预测控制的预测模型,并将T-S模糊表示的非线性系统转化为线性时变系统,给出了基于状态空间的多变量复杂系统的T-S模糊模型表达形式,设计出预测时域内多模型的非线性模糊预测控制器。根据实际控制中对控制量和输出的约束,将控制器输出求解转化为二次规划问题。     

自适应模糊PID在温度控制系统中的应用

根据复杂锅炉温度系统,设计出一种自适应模糊PID控制器。其优点是应用模糊控制适应系统的不确定性,能够提高对象模型不确定时PID参数的自适应能力。很大程度上改善了系统的控制质量,提高了系统的鲁棒性。实际运行结果证明了该方法的有效性。     

自适应模糊辨识及其在大系统中的应用*

本文基于Ｔ－Ｓ模糊模型构造了一种新的自适应模糊神经网络，给出了网络诉连接结构物学习算法，它能自动学习和修正前件参数及模糊规则，将其用于大系统随机民递阶优化的控制建模中，仿真结果表明，该方法具有收敛速度快，辨识精度高、泛化能力强等特点，可当作复杂大系统建模的一种有效手段。     

深度神经模糊系统算法及其回归应用

深度神经网络是人工智能的热点, 可以很好处理高维大数据, 却有可解释性差的不足. 通过IF-THEN规则构建的模糊系统, 具有可解释性强的优点, 但在处理高维大数据时会遇到“维数灾难”问题. 本文提出一种基于ANFIS (Adaptive network based fuzzy inference system)的深度神经模糊系统(Deep neural fuzzy system, DNFS)及两种基于分块和分层的启发式实现算法: DNFS1和DNFS2. 通过四个面向回归应用的数据集的测试, 我们发现: 1)采用分块、分层学习的DNFS在准确度与可解释性上优于BP、RBF、GRNN等传统浅层神经网络算法, 也优于LSTM和DBN等深度神经网络算法; 2)在低维问题中, DNFS1具有一定优势; 3)在面对高维问题时, DNFS2表现更为突出. 本文的研究结果表明DNFS是一种新型深度学习方法, 不仅可解释性好, 而且能有效解决处理高维数据时模糊规则数目爆炸的问题, 具有很好的发展前景.     

自适应模糊神经网络在板料弯曲回弹预测中的应用

回弹是板料冲压成形中影响工件质量的重要因素，因为它是一个多变量相互作用的高度非线性问题，至今在解析和数值方法中未能找到一个很有效的解决途径。该文提出利用自适应模糊神经网络(ANFIS)对非线性问题的良好逼近能力，采用基于有限元方法获得训练样本，经训练后得到具有回弹预测能力的ANFIS模型。实验验证了该方法的有效性。     

模糊自适应PID控制在立式风力发电系统中的应用

阐述了一种新型高效率立式风力发电系统的信号检测与控制系统。高效率立式风力发电系统，其信号检测与控制采用PC机-DSP双重控制，在DSP中运用了模糊自适应PID控制算法。而在PC机中，用Delphi编制了一个风力发电系统的操作控制界面，利用控制界面操作PC机与DSP之间的通信及实现对风力发电系统的控制。     

基于神经模糊系统的热工过程建模及预测

热工对象内部过程的物理性能比较复杂,其往往表现出非线性、严重时变、大迟延和不确定等特点,这就使得难以对其建立比较精确的模型。该文以自适应神经模糊推理系统(ANFIS)作为辨识器建立热工过程模型,用ANFIS分别建立锅炉-汽轮机的非线性模型、不同负荷工况点的线性模型,并根据现场采集的锅炉-汽轮机系统数据建立了ANFIS模型。对以上三个系统的建模仿真结果表明基于ANFIS建立的模型具有较高的模型精度和较好的预测能力,ANFIS可用于非线性系统、复杂系统的建模和预测,并具有较少的训练次数和较小的预测误差。     

An ANFIS model of quality of experience prediction in education

This paper presents a Quality of Experience (QoE) prediction model in a student-centered blended learning environment, equipped with appropriate technologically enriched classroom. The model uses ANFIS technique to infer the QoE from the individual subjective factors and the objective technical factors which altogether influence the perceived QoE. We explored the influence of subjective personality traits extroversion and neuroticism, as well as the learning style on QoE. The objective factors included in the model are technically measurable parameters latency, jitter, packet loss and bandwidth affecting Quality of Service (QoS) of the underlying technology. The findings presented in this paper are obtained from a case study which involved 8 teachers and 142 students from second and sixth grade in five primary schools in the Republic of Macedonia. The teachers involved in the project introduced game-based learning strategies in classes, including on-line videoconferences, streamed video content and classical face to face gaming. We constructed three ANFIS systems with seven and four input variables and compared their performances using the RMSE, MAPE and R² measurements. The results showed that perceived QoE can be reliably predicted by the student's personality traits and learning style as subjective factors and network jitter as an objective factor.     

ANFIS based decision support system for prenatal detection of Truncus Arteriosus congenital heart defect

Congenital Heart Disease or Defect (CHD) is one of the most crucial causes of neonatal mortality. According to the consensus reported by Cardiological society of India, CHD is responsible for around 10% of infant mortality in India. Clinical investigation of CHD is normally performed with ultrasound (US) imaging modality. It captures biological internal structures with improper boundary due to inherent speckle noise. The fetal heart particularly has thin wall chambers and hence this fact protrudes to be a main motivation to contrive a new Computer Aided Diagnostic Support System (CADSS) to diagnose prenatal CHD from US images. This proposed CADSS is the first framework implemented to diagnose the prenatal Truncus Arteriosus congenital heart defect (TACHD) from 2D US images. The system starts with pre-processing the clinical data-set utilizing Probabilistic Patch Based Maximum Likelihood Estimation (PPBMLE). Then the anatomical structures are highlighted from the pre-processed information, utilizing the Fuzzy Connectedness based image segmentation process. Then 32 diagnostic features are extracted by utilizing seven different feature extraction models. Amongst, a subset of potential features are selected by applying Fisher Discriminant Ratio (FDR) analysis. Finally, Adaptive Neuro Fuzzy Inference System (ANFIS) is built with the selected feature subset as classifier, to perceive and show clinical results of prenatal TACHD. The performance analysis of various classifiers is evaluated by using 10-fold cross validation process for the image data-set. Comparative results prove that the proposed classifier has the potential to produce the higher classification accuracy than existing classifiers.     

混沌时间序列的自适应变异差分进化ANFIS预测

提出了一种基于自适应变异差分进化（AMDE）算法的ANFIS模型对混沌时间序列进行预测的方法,该方法采用自适应变异差分进化算法和最小二乘法相结合的混合学习算法对ANFIS网络结构参数进行优化设计,利用差分进化算法的全局寻优能力对ANFIS网络前件参数进行优化,而网络的结论参数采用最小二乘法优化,混合学习算法提高了网络参数辨识的收敛速度和系统的全局收敛性,仿真实验结果表明了该方法的有效性。     

基于改进型ANFIS的磁致伸缩液位传感器温度补偿

考虑到磁致伸缩液位传感器在温差变化大的环境中温漂现象严重,且产生温漂的多种因素与温漂的程度呈非线性关系,难以用数学模型表达等问题,建立基于改进型ANFIS的温度补偿系统。该系统采用附加动量算法不断修正ANFIS中的前题参数以避免采用梯度下降算法时易陷入局部极小,训练速度较慢等缺点,提高系统的忽略网络中微小变化的能力。为了验证该温度补偿系统的性能,将其与基于PSO-LSSVM模型和基于BP神经网络的温度补偿系统相比较。分析与实验结果表明,改进型ANFIS模型的温度补偿的最大误差为0.88%,平均误差为0.65%,远小于另外两种补偿方法。使用了改进型ANFIS的温度补偿方法具有较强的泛化能力,能够有效消除温度对磁致伸缩液位传感器的影响。     

改进的ANFIS在房产评估中的应用

房产评估是个较为复杂的非线性过程,目前的方法存在房产近邻难以定义等问题。为解决这一问题,提出基于k近邻的自适应神经模糊推理方法,并应用于房产评估。该方法通过定义不同意义的全变量、部分变量、空间、时空的k近邻,计算k近邻均价,将k近邻均价加入模型。实验结果表明,使用基于空间k近邻和时空k近邻改进自适应神经模糊推理方法对房产价格进行预测,准确性显著提高。     

The application of ANFIS prediction models for thermal error compensation on CNC machine tools

Thermal errors can have significant effects on CNC machine tool accuracy. The errors come from thermal deformations of the machine elements caused by heat sources within the machine structure or from ambient temperature change. The effect of temperature can be reduced by error avoidance or numerical compensation. The performance of a thermal error compensation system essentially depends upon the accuracy and robustness of the thermal error model and its input measurements. This paper first reviews different methods of designing thermal error models, before concentrating on employing an adaptive neuro fuzzy inference system (ANFIS) to design two thermal prediction models: ANFIS by dividing the data space into rectangular sub-spaces (ANFIS-Grid model) and ANFIS by using the fuzzy c-means clustering method (ANFIS-FCM model). Grey system theory is used to obtain the influence ranking of all possible temperature sensors on the thermal response of the machine structure. All the influence weightings of the thermal sensors are clustered into groups using the fuzzy c-means (FCM) clustering method, the groups then being further reduced by correlation analysis.A study of a small CNC milling machine is used to provide training data for the proposed models and then to provide independent testing data sets. The results of the study show that the ANFIS-FCM model is superior in terms of the accuracy of its predictive ability with the benefit of fewer rules. The residual value of the proposed model is smaller than ±4 μm. This combined methodology can provide improved accuracy and robustness of a thermal error compensation system.     

Oracle中使用支持向量机的时间序列预测方法

利用Oracle数据库中的数据挖掘选件（Oracle Data Mining,ODM）,并使用存储在Oracle数据库中的时间序列数据,可构建预测时间序列未来值的支持向量机（Support Vector Machines,SVM）模型。建模时,需去除时间序列中的趋势,将目标属性标准化,确定包含延迟变量窗口的尺寸,利用机器学习方法,由时间序列历史数据得出SVM预测模型。与传统时间序列预测模型相比,SVM预测模型能够揭示时间序列的非线性、非平稳性和随机性,从而得到较高的预测精度。     

一种基于支持向量回归的互联网端到端延迟预测算法

互联网端到端延迟是指IP分组沿着互联网中一条确定路径进行传输的延迟,端到端延迟的精确预测是大量网络活动的基础,从网络协议设计到网络监测,再从确保端到端QoS性能到各种实时业务性能提升。提出一种新的端到端延迟的预测方法,主要贡献有:a)将互联网端到端延迟预测的问题转换为多元回归的预测问题,提出了基于多元回归的端到端延迟预测框架;b)采用支持向量回归SVR方法来求解端到端延迟的多元回归问题,提出了基于SVR的互联网端到端延迟预测算法。最后使用互联网采集的RTT数据来验证提出的算法,实验结果表明,提出的预测算法具有快速和精确特点,是一种适合实际应用的预测算法。     

基于简易支持向量机的客户流失预测研究*

应用简易支持向量机（SSVM）进行客户流失预测,以提高机器学习方法的预测能力。以国外电信公司客户流失预测为实例,与最近邻算法（NPA）进行了对比,发现该方法在获得与NPA近似准确率的条件下,所花费的时间和时间增加值远小于NPA,是研究客户流失预测问题的有效方法。