自适应神经模糊推理系统优化的快速上肢评估方法

传统方法对工作相关肌肉骨骼疾病风险评估的输入变量变化敏感性较低,导致风险评估输出结果的精确性和可靠性不足。为更加准确地进行人因工程风险评估,提出了基于自适应神经模糊推理系统的快速上肢评估方法(RULA)。首先,基于卷积神经网络对视频中人体工作姿势的关键点进行检测及识别,并计算关节角度;其次,基于自适应神经模糊推理系统对快速上肢评估方法进行改进,搭建工作相关肌肉骨骼疾病风险评估架构以解决评估不同姿势时获得相同评分的问题;再次,随机选取不同工作姿势的关节角度数据对网络进行训练和检测,调整基于自适应神经模糊推理系统和快速上肢评估方法的工作相关肌肉骨骼疾病风险预测模型的最佳参数;最后,选取关节角度数据集里的前15个工作姿势进行相关性验证,将结果与原始快速上肢评估方法的结果进行比较,应用树枝修剪工具的操作过程进行案例分析以实现风险得分的实时动态评估。结果表明,优化后的快速上肢评估方法比原始方法更敏感,验证了利用自适应神经模糊推理系统能够有效改进快速上肢评估方法并实时预测风险得分。

基于能量熵和自适应神经模糊推理系统的齿轮故障诊断

为了解决齿轮振动信号中出现噪声污染严重,故障特征信息提取困难的问题,提出了基于能量熵和自适应神经模糊推理系统(ANFIS)的齿轮故障诊断方法。将预处理后的振动信号作自适应噪声完备经验模式(CEEMDAN)分解,可获得不同尺度的本征模态函数(IMF);由于各IMF包含主要故障特征信息,且不同故障状态下各IMF分布有明显不同,因此通过计算能量熵来量化故障时频域特征,构造出表征模态分量信息的特征向量;以此输入ANFIS进行样本的学习和训练,在自适应调整网络参数和隶属函数后,获得最优ANFIS。实验结果表明:该方法诊断结果准确率近乎100%,可有效地识别故障类型。

基于T-S模型的自适应神经模糊推理系统及其在热工过程建模中的应用

在工业热工过程控制中,被控对象动态特性往往表现出非线性、时变性、大迟延和大惯性等特点,这使得难以对其建立比较精确的模型,从而难于精确表达热工过程及实施整体优化控制。针对热工过程建模难的现状,为达到建立精确非线性模型的目的,提出1种基于T-S模型的自适应神经模糊系统(ANFIS)模糊建模方法。该方法通过对模糊系统的结构辨识和参数辨识,使神经模糊网络能够自主、迅速有效地收敛到要求的输入和输出关系,从而达到精确建模的目的。仿真结果验证了所提出的算法的有效性,将其应用到热工过程建模中可获得高精度的非线性模型。

基于自适应神经模糊推理系统的风功率缺失数据补齐

风电场风电输出功率数据的完整性在风能利用中具有重要意义。利用相邻风机法、持续法、平均插值法、标准功率曲线对应法均可以对风电缺失功率数据进行补齐,但都有各自的优缺点及适用范围;在单一补齐数据方法的基础上,文中采用自适应神经模糊推理系统(ANFIS)模型对丢失数据进行补齐和优化。对实测数据的仿真计算结果表明,用所提出的方法进行数据补齐后风电输出功率的计算结果平均相对误差降低,准确率提高。

自适应神经模糊推理系统在电力故障重现中的应用

将电力故障录波数据重现为实际波形对于继电保护测试和保护动作行为分析等具有重要意义。文章将自适应神经模糊推理系统和数字闭环修正技术应用于电力系统故障重现装置中,实现了整体数字域内的闭环控制,利用输出端回采数据与原始数据进行比较并修正信号源的方法极大地减小了故障重现的非线性误差。Matlab仿真和基于该算法的故障重现装置的实际应用证明了自适应神经模糊推理在故障重现中应用的可行性和有效性。

基于自适应神经模糊推理系统的半导体生产线故障预测及维护调度

为解决半导体生产线设备故障预测问题,采用自适应神经模糊推理系统构建故障预测模型。利用减法聚类确定模型初始结构,采用由最小二乘算法和梯度下降法所组成的混合学习算法优化模型参数。经实验数据检验,所建模型拟合能力强且精度高,能有效预测生产线下一阶段可能发生故障的设备名称等调度问题关键参数信息。在原有设备维护调度的基础上,嵌入故障预测模型,构建新的设备维护调度方案,并以某半导体生产线制造过程为例进行仿真验证,取得了良好的调度效果。

基于主成分分析法和自适应神经模糊推理系统的电力负荷预测

提出了一种基于主成分分析法与自适应神经模糊推理相结合的电力系统负荷预测方法,通过对影响电力负荷的相关因素进行主成分分析,减少自适应神经模糊推理系统的输入量,可以提高系统预测的效率。算例表明所提出方法是有效的和可行的。

改进的自适应神经模糊推理系统的角度传感器误差补偿方法

角度传感器测量精度控制在工程应用中非常重要,直接影响其实际应用的效果.当被测物理量和角度传感器输出之间为复杂非线性关系时,传统方法已难以获得满意的结果.本文引入了一种基于改进的自适应神经模糊推理系统的误差补偿方法,阐述了模型建立过程与步骤,并对一个16位绝对式光电编码器进行了精度检测与误差补偿.实验结果证明,与多项式拟合法和BP神经网络相比,改进的自适应神经模糊推理系统可显著提高光电编码器的测量精度;相比于补偿前,补偿后光电编码器测量精度可至少提高7.5倍.

应用自适应神经模糊推理系统(ANFIS)进行建模与仿真

模糊规则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则。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H_∞环路成形和自适应神经模糊推理系统的模糊控制器设计

H∞环路成形方法设计的控制器阶次较高,不便于工程实现和参数调整;用传统方法确定模糊控制器隶属度函数的参数和模糊规则比较费时且难以保证鲁棒性能和时频域性能指标.针对上述情况,提出了一种综合运用H∞环路成形和自适应神经模糊推理系统来设计模糊控制器的方法.首先采用H∞环路成形设计方法,得到鲁棒裕量、动态和稳态性能都符合要求的控制器,然后用自适应神经模糊推理系统来逼近此控制器,最后根据自适应神经模糊推理系统参数确定相应的模糊控制器规则和参数.该方法确定模糊控制器隶属度函数的参数精确而省时,且能保证控制器具有较强的鲁棒性和良好的控制效果.通过对小车倒立摆系统进行的仿真,验证了该控制器设计方法的有效性.

基于自适应神经模糊推理系统(ANFIS)的变压器超高频局部放电模式识别

对于变压器油中局部放电超高频测量系统所得到的局部放电的特征量,首先,选择优先权较高的6个特征量作为自适应神经模糊推理系统(ANFIS)的输入量,其次,构建6输入单输出的ANFIS,它采用了Takagi-Sugeno模糊系统的if-then规则,利用梯度下降和最优平方估计相结合的混合学习算法进行训练。最后,对于模型的有效性进行了检验,检验结果表明利用ANFIS系统进行局部放电的模式识别是可行的。

基于灰色模型粒子群优化算法的自适应神经模糊推理系统模型的船舶横摇运动预报分析

为了准确高效的预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(grey particle swarm optimization-adaptive neural-fuzzy inference system,GPSO-ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统;再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船"育鲲"轮的横摇数据进行仿真实验。实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。

自适应神经模糊推理系统在倒立摆控制中的应用

针对单级倒立摆系统具有多变量、非线性、绝对不稳定的特点,应用Matlab/Simulink设计了用于倒立摆系统的、基于自适应神经模糊推理系统的ANFIS控制器,采用反向传播算法和最小二乘算法的混合算法对倒立摆控制样本数据进行学习,调整各变量的隶属度函数,自动产生模糊规则。仿真结果表明,ANFIS控制器对倒立摆系统的摆杆角度和小车位置的控制过程具有良好的动态性能和稳态性能。

基于自适应神经模糊推理系统的非线性系统辨识

针对非线性系统辨识方法中偶然性大,精度不高,收敛速度慢,训练过程时间长的问题,提出一种基于自适应神经模糊推理系统的非线性系统辨识方法,利用模糊推理系统使规则结构化及神经网络具有很强的泛化能力相结合,具有以任意精度逼近任何线性或非线性函数的特点。对非线性系统进行辨识,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 .

基于自适应神经模糊推理系统的视频烟雾检测

提出一种基于自适应神经模糊推理系统的视频烟雾检测算法。从视频图像中提取烟雾特征,采用减法聚类确定模糊规则数,建立初始模糊系统。通过神经网络的自学习机制调整前提参数和结论参数,确定模糊推理规则。实验结果表明,与传统BP神经网络算法及支持向量机算法相比,该算法具有较优的ROC曲线特性。

基于自适应神经模糊推理系统的非线性系统控制

由于非线性系统具有模糊性、不确定性、非线性等特点 ,所以常常使用模糊控制来对其实现控制 ,但常规的模糊控制系统存在着一定的问题。该文把神经网络与模糊控制相结合 ,介绍了自适应神经元模糊推理系统ANFIS (AdaptiveNeuro -FuzzyInferenceSystem)的基本结构 ,并将ANFIS用于典型的非线性系统控制中 ,仿真结果表明训练后的ANFIS能很好地控制实际的对象。

青岛海雾的自适应神经模糊推理系统建模

基于自适应神经模糊推理系统(ANFIS) ,通过对历史观测资料的训练和规则提取 ,建立了青岛海雾(能见度)与该站及其上游测站的风向、风速、湿度等要素的逻辑映射关系和模糊推理模型 ,进而能够较为客观、定量地描述和诊断青岛海雾的发生发展 ,对改进和提高青岛海雾预报有一定的参考应用意义。

基于自适应神经模糊推理系统的风电功率预测方法

对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。文中对多步滚动预测模式进行了分析,并建立了ANFIS(自适应神经模糊推理系统)预测模型,进而实现对风电功率的实时滚动预测。以吉林省西部某风电场的实测数据为例进行算例分析,其中在形成初始模糊推理系统结构时,采用的算法是减法聚类,该算法有效的避免了人工设定结构法产生的组合爆炸问题。将基于线性回归法、滑动平均法和持续法进行风电功率实时多步滚动预测时得到的预测结果与利用所提出的ANFIS预测方法得到的结果进行比较,结果表明后者的预测精度更高,进一步说明了ANFIS预测模型的有效性。

基于聚类和自适应神经模糊推理系统的数控机床绿色度评价方法

为了实现对数控机床绿色度的智能评价,提高数控机床绿色度预测精度,提出了一种基于聚类和自适应神经模糊推理系统(ANFIS)的评价方法。采用改进的粒子群优化模糊C均值聚类算法实现样本的自适应分类,生成辅助ANFIS学习的训练样本集;建立基于ANFIS的评价模型,通过对训练样本集的学习自动生成模糊规则,消除评价指标的模糊性和随机性对评价结果的影响;训练后的评价模型可用于评价样本的自适应推理。最后利用提出的评价方法对数控机床绿色度进行实例分析,验证了该评价方法的有效性。