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。

机载LiDAR和模糊推理系统在黄土高原土壤侵蚀监测中的应用

黄土高原是我国乃至全球土壤侵蚀最严重的地区之一,受限于监测技术,黄土高原土壤侵蚀的研究多集中于径流小区尺度,大规模的侵蚀研究和野外观测仍相对缺乏。机载激光雷达(LiDAR)技术的革新为高精度、大规模土壤侵蚀研究提供了新的可能。然而,该技术受复杂地形的影响会产生高程不确定性误差,导致其监测土壤侵蚀的能力缺乏深入研究。基于此,本文以我国黄土高原丘陵沟壑区典型小流域桥沟流域为研究对象,联合机载Li-DAR测量和模糊推理系统(FIS),定量分析了两期DEM求差(DoD)不确定性的空间分布,研究小流域土壤侵蚀与沉积的空间分布特征。结果表明:(1)地形形态、点云密度等对插值生成的DEM误差影响较大,地形平坦区域的DoD不确定性明显小于地形陡峭区域的DoD不确定性;(2)FIS算法通过将已知的误差源整合到一个稳定的误差模型中,减少了主观干预和人为误差,避免了在复杂的DEM表面对误差进行错误估计,提高了计算结果的准确性;(3)梁峁坡地区侵蚀产沙体积为9.21m^(3),占坡沟系统产沙体积的15.89%;沟谷坡地区侵蚀严重,侵蚀产沙体积为48.76m^(3),占坡沟系统产沙体积的84.11%,在坡沟系统的产沙中起主导作用。沟床地区主要以沉积为主,梁峁坡和沟谷坡对侵蚀产沙贡献较大,而沟床则主要为产沙沉积区。研究成果不仅为黄土高原小流域的土壤侵蚀监测技术的拓展提供了新的视角,也为实施有效的水土保持措施提供了理论依据和参考。

基于自适应模糊推理系统的汾河流域参考作物蒸散量模拟研究

【目的】有效提高缺少气象资料条件下汾河流域参考作物蒸散量(ET0)计算精度。【方法】选取汾河流域及附近7个气象站点1960—2017年逐日气象资料,根据不同气象要素组合,构建16种基于自适应模糊推理系统(ANFIS)的ET0模拟模型,并与Hargreaves-Samani、Irmak-Allen、Makkink模型进行比较,评价ANFIS模型在汾河流域的适用性及可移植性。【结果】(1)ANFIS模型能很好地展现ET0与各输入因子之间的非线性关系;仅输入Tmax、Tmin、Ra建立的ANFIS2模型模拟精度(平均R^(2)为0.882,平均NSE为0.876,平均RMSE为0.341 mm/d)能满足使用要求,随着输入气象要素数量的增加,模型模拟精度不断提高;(2)在输入因子相同时,ANFIS模型精度高于Hargreaves-Samani、Irmak-Allen、Makkink模型;(3)ANFIS模型在汾河流域具有很强的泛化能力和可移植性,不同分区建立的ANFIS模型相互移植时具有较高精度(平均R^(2)为0.983,平均NSE为0.978,平均RMSE为0.134 mm/d)。【结论】因此,在缺少气象资料时,基于自适应模糊推理系统建立的ET0模拟计算模型可作为汾河流域ET0计算的推荐模型。

基于模糊推理系统的图像超分辨率重建技术探索

本文探索了基于模糊推理系统的图像超分辨率重建技术。技术克服了图像采集过程中由于系统或环境限制导致的图像模糊和质量低下问题。为实现这一目标,重新设计了模糊推理系统的输入和输出变量,包括图像质量、放大倍数和重建质量,并为这些变量定义了相应的隶属度函数。通过高斯函数和梯形函数,描述了图像质量和放大倍数在不同分类下的隶属程度。制定了一系列模糊推理规则,根据输入变量的组合预测输出变量的状态,并采用加权平均作为集结运算方法。结果表明,基于模糊推理系统的图像超分辨率重建技术能够根据输入图像的质量和所需放大倍数,有效地预测重建后图像的质量。这一技术在老照片修复和优化等实际应用场景中展现出潜力,能够对图像进行去噪、去雾、上色和超分辨率无损放大等多项修复和优化,返回经过处理的清晰图片。

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。

模糊推理系统在内河通航风险评价中的应用--以长江干线为例

为评估内河通航风险,对408件长江干线历史事故进行致因分析,构建分类分级的内河通航风险评价指标体系;在模糊推理系统(Fuzzy Inference System,FIS)中引入突变理论(Catastrophe Theory,CT),构建基于CT FIS的风险评价模型;对59个历史案例进行实证分析。结果显示:在59个样本中,中等风险及以上的样本数分数为88.1%;对各风险评价指标进一步分析发现,人的因素是影响长江干线通航风险的首要因素,货物和船舶因素相对于船员、管理和环境因素具有相对较低的影响;将人为可控的影响因素控制在安全状态时,系统的总风险可显著降低。

基于L~*系统的一种非单调推理系统

研究了非单调优先推理系统P和累积单调推理系统CM,以及模糊命题演算的形式演绎系统L ,在L 系统中定义了后承关系｜～:A｜～B当且仅当A2├B,证明了在L 系统中的这种后承关系满足累积单调推理系统CM,非单调优先推理系统P的全部规则,但这种后承关系不满足单调推理系统M的逆否律规则,从而在L 系统中建立了一个介于非单调推理系统和单调推理系统之间的逻辑系统.这为两种系统的理论研究建立一个桥梁以及为模糊控制提供了一种新的思路.

基于自适应神经模糊推理系统的非线性系统辨识与仿真

针对非线性系统的模糊性、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,并将其应用于非线性系统辨识中,仿真结果表明:训练后的ANFIS能够很好地逼近实际的非线性系统,并且辨识精度高。

空间点目标识别的神经模糊推理系统应用研究

提出了空间点目标在三个不同波段的辐射通量作为特征向量,使用自适应神经模糊推理系统(ANFIS)和动态进化神经模糊推理系统(DENFIS)进行识别.最后与BP神经网络、遗传算法以及遗传-神经算法三种方法进行比较,进行了仿真实验,仿真结果表明ANFIS,特别是DENFIS具有较好的学习能力和泛化能力,较大的提高了目标识别率,能够较好的进行空间点目标的识别.

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-模糊推理系统模糊信息融合的采煤机截齿磨损在线监测

为实现对截齿截割过程中磨损程度的实时精确在线监测,分别测试和提取不同磨损程度的截齿在截割过程中的振动信号、声发射信号和温度信号,建立不同磨损程度截齿截割信号的多特征样本数据库,根据最小模糊度优化模型计算求解各特征信号的最优模糊隶属度函数,采用自适应神经-模糊推理系统多维模糊神经网络方法实现多传感特征信息的决策融合,输出置信度和权重较高的截齿磨损量融合结果。通过随机测试实验对融合系统进行验证,结果表明,基于ANFIS模糊信息融合的截齿磨损监测系统辨识度较高,测试结果最大误差在6.5%以内,系统具有良好的融合效果以及较高的测试精度。

基于描述逻辑的推理系统设计与实现

语义Web的出现使得描述逻辑成为近期的研究热点,作为本体描述语言的基础,描述逻辑具有较强的表达能力.设计并实现了基于描述逻辑Tableaux算法的推理系统,实验结果表明,该系统可实现本体基本推理功能、TBox及ABox推理功能,且能融入到语义Web的实际应用系统中,减少对计算机的人工干预,在一定程度上提高了机器的理解能力.

基于自适应网络模糊推理系统的开关磁阻电机建模方法

提出一种开关磁阻电机(switched reluctance motor,SRM)数学建模的新方法:在已知开关磁阻电机静态电感曲线和矩角特性曲线的基础上,将自适应网络模糊推理系统(adaptive network based fuzzy inference system,ANFIS)用于SRM的整体建模中。该模糊推理系统由5层网络构成,将模糊推理与神经网络有机结合起来,利用它的自学习功能计算出模糊系统的隶属度函数以及相应的模糊规则,形成一个结构简单、紧凑的网络来实现电机绕组电流、转子位置角与电感和转矩的非线性映射关系,然后离线训练得到电感与转矩模型。把这种基于ANFIS的电感和矩角模型应用于SRM的系统建模中,以550W、6/4极SRM为例,进行了仿真与实验比较,结果表明此建模方法能够较好的反映SRM的实际工作状况,从而为SRM系统的建模分析与设计提供一种新的有力的工具。

一种基于自适应神经模糊推理系统的图像滤波方法

提出了一个包含4个自适应神经模糊推理系统和一个后处理块的网络,该网络可用于灰度图像滤波。网络中每个自适应神经模糊推理系统都是一个四输入单输出一阶Sugeno模糊推理系统。所提出的滤波方法分两步进行,首先对该网络进行优化训练,确定其参数,然后用优化后的网络对被椒盐脉冲噪声污染的图像进行噪声滤波。实验结果表明,所提出的方法在有效去除图像中椒盐脉冲噪声的同时,能够较好地保留原有图像中的边缘和细节,其滤波性能优于传统的滤波方法。

采用自适应神经模糊推理系统的配电网故障分类方法

配电网故障分类对配电网故障诊断、事故后分析具有重要作用。提出了一种基于自适应神经模糊推理系统(adaptive network-based fuzzy inference system,ANFIS)的中性点非有效接地系统的故障分类方法。利用小波变换提取故障特征频带内的暂态信号,基于统计量构造了用于故障分类的特征向量,研究了所构造的特征量在不同类型故障下的规律。利用自适应神经模糊推理系统,设计了一种用于小电流接地系统故障分类的方法。在PSCAD/EMTDC中建立了仿真模型,利用仿真样本对系统进行训练,测试样本的验证结果表明该方法具有较高的分类准确性。在中性点接地方式变化以及系统拓扑结构变化的情况下,研究了该方法的适应性,结果表明该方法的适应性良好。

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。

用自适应模糊推理系统预测电力短期负荷

为寻求有效的电力系统负荷预测方法以提高预测结果的准确度,提出了基于Takagi-Sugeno(T-S)模型的自适应神经模糊推理系统(ANFIS)。该系统采用减法聚类初始化模糊推理,把神经网络学习机制引入到逻辑推理中,并用混合学习算法调整前件参数和结论参数,自动产生模糊规则。考虑气象、日期类型等因素后将学习样本分为3组进行训练和检测。该方法对于受天气影响较明显的电网,能有效防止不合理预测结果的出现。对于武汉地区实际负荷的预测结果的分析表明该方法有较高的预测准确度,取得了令人满意的结果。

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。

模具结构辅助设计Case智能推理系统

基于事例的推理技术 CBR是人工智能技术发展的重要领域之一 ,而大型事例库的检索 ,一般的索引法和最近邻法等方法难以达到快速、准确的检索要求。因此 ,有必要研究智能检索推理技术。本文根据事例学习的决策树 ID3和 PID算法 ,提出了多概念学习决策树 MNID算法 ,开发了基于事例学习的智能模具相似结构推理系统 ,并应用于冲模凸模结构 Case库的检索 ,效果很好 ,系统通过事例的自主学习 ,产生出推理规则 ,并能根据用户对所设计模具结构的要求 ,自动检索出符合设计要求的相似 Case,实现了 CAD过程中大型 Case库的自动检索。

基于自适应模糊推理系统的柴油机故障诊断

为解决柴油机故障诊断问题,采用自适应神经模糊推理系统(ANFIS)建立其故障诊断模型。利用减法聚类方法确定模型初始结构,并采用由梯度下降算法和最小二乘算法所组成的混合学习算法优化模型参数。经文中试验数据检验,所建模型故障识别值与实际值之间的最大误差为10.16%,最小误差为0.115%,平均误差为2.26%,识别精度达到了97.74%。仿真结果表明,与BP网络模型相比,该模型收敛速度快,拟合能力强且诊断识别精度高,能够有效识别柴油机故障。