ANFIS在非线性系统建模与消噪中的应用

给出了自适应神经模糊推理系统(ANFIS)的一般描述，并应用ANFIS进行非线性系统建模和消除信号中的噪声，以此改进工业控制系统中非线性系统的控制性能。仿真表明ANFIS具有较高的收敛速度和建模精度，是非线性系统建模的有力工具。     

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。     

基于ANFIS的非线性系统辨识研究

系统辨识是控制系统设计的基础，对非线性系统进行辨识是当前的难点；文献[1]提出了用模糊建模方法，文献[2]提出了用神经网络方法，在总结上述方法不足的基础上，该文提出了用自适应神经模糊推理系统(ANFIS)对非线性系统进行辨识的方法，仿真结果表明，ANFIS进行非线性系统辨识是可行的，其辨识精度很高。     

基于ANFIS的非线性电机系统的建模

将一种种神经－模糊结构－自适应神经模糊推理系统（简称ANFIS）用于非线性电机系统的建模，获得了一个良好的大范围的全局非线性模型，同时，通过与反向传播网络建模结果的性能对比，说明ANFIS在参数收敛速度及建模精度上的优越性，显示出ANFIS是非线性系统的建模，辨识的有力工具。     

基于ANFIS的机器人系统建模的研究

针对机器人这种不确定性的复杂非线性系统很难建立其精确的数学模型这一问题,提出一种基于自适应神经模糊推理(ANFIS)的方法对机器人系统进行建模.此方法将模糊推理和神经网络的学习能力有机地结合起来,并利用神经网络的学习机制自动地从输入输出数据中提取规则.建模过程中为了给ANFIS赋予一个合适的初始状态,选用减法聚类对输入数据进行处理.ANFIS网络的所有参数采用混合算法进行调节,即前提参数采用误差反向传播法,结论参数采用最小二乘法.最后在Matlab中对二自由度机器人进行仿真研究,仿真结果表明该方法模型结构简单,建模速度快,辨识精度高,同时也验证了该方法的有效性,为进一步实现机器人鲁棒自适应控制打下基础.     

纯碱碳化过程建模研究

针对纯碱碳化过程复杂、建模难的特点,提出一种基于T-S模型的自适应神经模糊推理系统（ANFIS）建模方法。该方法提取碳化过程塔内温度分布及出碱流量的实测数据,通过ANFIS网络自组初始化模糊规则,自适应调整前提隶属度参数和结论参数,最终建立出碱流量随塔内温度变化的非线性模型。文章讨论了该网络的结构和学习算法,通过仿真研究得出其良好的实用价值。     

基于ANFIS的非线性信道的辨识

当前对高速通信的需求导致对信道资源的利用已经超出了可以采用线性模型建模的范围,所以必须采用适当的非线性模型进行描述,为了实现对高速通信中非线性信道的辨识,提出了采用自适应神经模糊推理系统(ANFIS)进行信道辨识的方法,并对ANFIS网络的结论参数采用最小二乘法进行辨识,对前提参数采用误差反传的方法进行学习,最后,运用MAT-LAB实现了对非线性信道进行辨识及均衡的仿真,并将仿真结果与BP网辨识结果进行比较,说明ANFIS网络能很好地逼近非线性信道的传递函数,并在收敛速度及辨识精度方面优于BP网络.     

基于ANFIS的糖厂PH中和过程建模

针对糖厂pH中和过程具有强非线性,大滞后性,不确定性等特点,将模糊推理系统和神经网络相结合,介绍了一种自适应神经模糊推理系统（ANFIS）,并建立了pH中和过程的模型。仿真结果表明,利用ANFIS所建立的模型能很好地逼近实际的非线性系统,并且辨识精度高,泛化能力强,为后续的优化控制研究奠定了基础。     

基于GA的ANFIS在函数拟合中的应用

本文介绍了一种遗传算法(CA)优化自适应神经模糊推理系统(ANFIS)的方法,并采用基于GA优化ANFIS方法,拟合非线性多峰函数,同时分析了这种方法的拟合能力和预测能力.实验结果表明,加入GA优化后的ANFIS具有更加优秀的拟合能力和预测能力,更适合于用来建立复杂参数问的非线性映射关系.     

基于自适应神经模糊推理系统的噪声消除方法

针对信号处理领域噪声消除的实际问题,提出了一种基于模糊推理的自适应神经网络控制方法.通过自适应神经模糊推理系统(ANFIS)对非线性系统的结构和参数进行辨识与自学习,采用混合学习算法,对前向参数和结论参数分别辨识,在提高精度的同时可加快训练收敛的速度,使控制系统具有良好动静态性和鲁棒性,实现了消除通信系统中噪声的目标,最后对基于ANFIS的噪声消除系统进行了建模和仿真,并与自适应神经网络滤波方法的结果对比,其结果证明了该方法的有效性.     

基于一种FGA–ANFIS技术的DMFC温度建模和控制

为了提高直接甲醇燃料电池(DMFC)的发电性能,采用自适应神经模糊推理技术(FGA-ANFIS)对电池的工作温度进行建模与控制.首先,基于实验的输入输出数据建立了DMFC电堆温度的自适应神经模糊辨识模型,避开了DMFC电堆的内部复杂性.然后,将训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法对神经模糊控制器的参数和模糊规则进行自适应调整.最后,通过仿真.将所提出的算法与非线性PID和传统模糊算法进行比较,结果表明所设计的神经模糊控制器具有较好的性能.     

Automatic diagnosis of diabetes using adaptive neuro‐fuzzy inference systems

Abstract: A new approach based on an adaptive neuro‐fuzzy inference system (ANFIS) is presented for diagnosis of diabetes diseases. The Pima Indians diabetes data set contains records of patients with known diagnosis. The ANFIS classifiers learn how to differentiate a new case in the domain by being given a training set of such records. The ANFIS classifier is used to detect diabetes diseases when eight features defining diabetes indications are used as inputs. The proposed ANFIS model combines neural network adaptive capabilities and the fuzzy logic qualitative approach. The conclusions concerning the impacts of features on the diagnosis of diabetes disease are obtained through analysis of the ANFIS. The performance of the ANFIS model is evaluated in terms of training performances and classification accuracies and the results confirm that the proposed ANFIS model has potential in detecting diabetes diseases.     

基于T-S模型的锌钡白干燥煅烧过程自适应神经模糊推理系统建模

针对锌钡白干燥煅烧过程建模难的问题，提出了一种基于T-S模型的自适应神经模糊推理系统(ANFIS)建模方法．通过对模糊辨识系统的结构辨识和参数辨识，使网络自主、迅速地收敛到要求的输入输出关系．文章讨论了该网络的结构和学习算法，并通过仿真研究得出其良好的实际应用价值．     

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.     

减法聚类-ANFIS在网络故障诊断的应用研究

提出了一种基于减法聚类-自适应模糊神经网络（ANFIS）的网络故障诊断建模方法。减法聚类算法生成初始模糊推理系统,ANFIS建立网络故障诊断原始模型,应用混合算法对模糊规则的参数进行训练并建立最终的模型。仿真实验表明基于减法聚类-ANFIS的建模方法是有效的;通过仿真结果比较,减法聚类-ANFIS的网络故障诊断能力及收敛速度均优于BP神经网络,更适合作为网络故障诊断模型。     

Fuzzy control of an ANFIS model representing a nonlinear liquid-level system

This paper aims to serve two main objectives; one is to demonstrate the modelling capabilities of a neuro-fuzzy approach, namely ANFIS (adaptive-network based fuzzy inference system) to a nonlinear system; and the other is to design a fuzzy controller to control such a system. The nonlinear system, which is a liquid-level system, is represented first by its mathematical model and then by ANFIS architecture. The ANFIS model is formed by means of input–output data set taken from the mathematical model. Then a PID-type fuzzy controller, which linguistically approximates the classical three-term compensation, was designed to control the system represented by both its mathematical and ANFIS models in order to perform an agreement comparison between them. It is shown that the ANFIS architecture can model a nonlinear system very accurately by means of input–output pairs obtained either from the actual system or its mathematical model. It is also shown that such a system can be controlled effectively by a fuzzy controller.     

模糊双曲正切模型研究综述

模糊双曲正切模型(Fuzzy hyperbolic tangent model, FHM)是一种全局模糊模型也是一种神经网络模型. 根据此模型设计的控制器能够实现系统的性能指标达到最优. FHM与其他模糊模型相比,更加适用于对多变量及系统内部信息所知有限的非线性系统进行建模. 本文依据FHM的模型发展历程对现有的研究成果加以总结, 并对这一研究领域内待解决的问题和未来发展方向作了进一步的展望.     

应用自适应神经模糊推理系统(ANFIS)进行建模与仿真

模糊规划的提取和隶属度函数的学习是模糊推理系统设计中重要而困难的问题，自适应神经模糊推理系统（ANFIS）方法基于Sugeno模糊模型，其结构类似于神经网络，采用反向传播算法和最小二乘法调整模糊推理系统的参数，并能自动产生模糊规划，本文应用该方法给出了对一个典型系统建模的仿真实例，取得了良好的效果。     

基于模糊模型和神经网络的多时滞不确定非线性系统的鲁棒H∞控制

针对一类具有多时滞的不确定非线性系统,提出了一种基于模糊模型和神经网络的组 合控制方法.利用具有多时滞的模糊T-S模型对系统进行近似建模并给出基于线性矩阵不等式 (LMI)的模糊H∞控制律.提出完全自适应RBF神经网络控制方法,通过在线自适应调整RBF 神经网络的权重、函数中心和宽度,来对消系统的未知不确定性和模糊建模误差的影响,不要求 系统的不确定项和模糊建模误差满足任何匹配条件或约束,并证明了闭环系统的稳定性.最后, 将所提出的方法应用到一具有多时滞的非线性混沌系统,仿真结果表明了该方法的有效性.     

ANFIS实现的模糊神经网络在交通信号配时优化中的应用

提出一种使用Matlab中的ANFIS模糊神经网络(FNN)工具箱来对传统的模糊控制器进行参数优化的方法，改善了控制器中的隶属度函数形状及分布，并应用于城市单交叉路口的多相位信号配时上．仿真实验证明所提出的算法可以降低车辆平均延误时间，保证车队更顺畅地通过交叉路口．