基于ANFIS-LSSVM的计算颜色恒常性算法研究

计算颜色恒常性是指消除场景光源的影响从而再现物体真实颜色的能力。目前,深度神经网络的应用使颜色恒常性精度显著提高,但大多数深度学习算法训练时间长、计算复杂度高,且需要大量的训练样本。针对此问题,提出了一种结合自适应神经模糊推理系统(ANFIS)和最小二乘支持向量机(LSSVM)的简单有效的方法。该方法分为训练和预测两个阶段:在训练阶段,首先提取图像特征分别训练ANFIS、LSSVM两种初始光源估计模型,接着利用核函数变换将两种模型融合,然后利用预留训练样本进一步训练得到多元线性回归光源估计模型;在预测阶段,提取测试图像特征后,直接由训练所得模型预测得到该测试图像最终的场景光源颜色值。实验结果表明,与深度学习方法相比,本文所提方法计算复杂度较低,即使在小训练样本中也能有很好的光源估计性能。

基于SSA-ANFIS模型的BDS-3卫星钟差短期预报

针对卫星钟差时间序列具有非线性和非平稳的特性,以及趋势分量与随机分量相互干扰可能会影响预报精度的问题,提出一种以奇异谱分析(singular spectrum analysis, SSA)为基础,融合自适应模糊神经网络(adaptive neuro-fuzzy inference system, ANFIS)的卫星钟差预报模型SSA-ANFIS。首先利用SSA对钟差一次差序列进行分解和重构,从而得到趋势项和残差项;然后,使用ANFIS对重构分量进行预报,并将预报结果叠加还原,得到最终预报钟差值;最后,通过实验对比SSA-ANFIS与GM、QP、LSTM和ANFIS模型的预报效果。结果表明,相较于LSTM和ANFIS模型,该模型预报精度分别提高25.7%~40.7%和39.4%~45.7%。

基于ANFIS的高速列车制动控制仿真研究

将自适应神经模糊推理系统应用到高速列车制动控制当中,实现了高速列车制动过程的智能控制,具有控制安全性好,停车误差小,同时在模拟人操作方面有很好的效果。并且在MATLAB环境中进行了仿真研究,将ANFIS与SIMULINK有机地结合在一起,充分地发挥了各自的优势,简化了仿真过程。仿真结果表明了该方法的有效性与正确性。

基于ANFIS-GM的心墙堆石坝变形预测

本文提出采用自适应网络模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)优化灰色理论模型(Grey Model,GM)的建模方法来研究预测大坝变形。ANFIS-GM模型综合考虑了由于资料不完备、考虑因素不全面而产生的灰色特性和各影响因素与大坝变形之间存在的模糊特性。该模型相比于GM模型不仅考虑了大坝变形的灰色特性,而且还考虑了水位变化速率、填筑速率与大坝变形的模糊关系。通过心墙堆石坝沉降变形的实例分析,表明该模型比GM模型误差更小。同时,该模型具有处理小样本,自组织、自学习、自适应,模糊推理的综合能力。

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。

基于ABAQUS-ANFIS的露天矿边坡可靠度分析

借助ABAQUS的强大非线性功能和丰富的单元库,建立了平面破坏型边坡有限元分析模型.并用该模型进行了边坡稳定状态的数值实验研究,以获得进行ANFIS分析的数据.同时建立了基于自适应模糊神经网络模型的抗滑力和下滑力的求解方法模型,并用Matlab语言编写了实现可靠度的计算程序,对湖南雪峰水泥原料矿山的露天边坡进行可靠度分析.研究表明:该方法具有避免编写冗长的有限元计算程序,同时具有节省机时,计算精度高的优点.

基于ANFIS的飞行器自动着陆模糊控制器设计

首先给出了模糊逻辑控制器设计中的几点共同的基本假设,接着阐述了飞行器降落着陆过程自动控制的模糊控制器AFLC的控制原理,详细分析和设计了AFLC的自动着陆控制模型、状态变量的隶属函数、系统推理规则、模糊推理算法和解模糊算法等。重点对基于自适应神经模糊推理ANFIS的Takagi-Sugeno型AFLC进行了优化分析与设计。最后利用MATLAB的Simulink仿真工具和模糊逻辑工具箱对两种设计方案进行了仿真验证和分析比较。仿真结果表明,两种AFLC设计是有效的,后者性能更优。

大坝变形预测的ANFIS模型

大坝变形预报时,存在影响因素多且各因素之间的相互关系复杂,常规的变形预测方法难以满足大坝安全监控的要求。自适应神经模糊系统(ANFIS)兼备神经网络的自学习、自适应能力,以及模糊系统良好的知识表达性能。在系统分析大坝变形主要影响因素的基础上,以水库库水位、温度及时间效应为影响因子,建立基于自适应模糊神经系统的大坝变形预测模型,并以三峡二期围堰为例进行实证分析。研究表明,该模型计算简便,适用性强,精度高,为大坝变形预报提供了新的思路。

基于减聚类ANFIS模型的船舶横摇运动实时预测

为准确高效地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,提出一种基于减聚类的自适应神经模糊推理系统(Subtractive Clustering based Adaptive Neural-Fuzzy Inference System,SC-ANFIS)模型.SC-ANFIS模型使用减聚类算法对输入样本进行聚类分析,得到模糊规则数,并建立神经模糊推理系统,再使用结合BP算法与最小二乘估计算法的混合算法对建立的预测系统进行优化训练,得到最优的预测系统模型,并使用自相关分析确定预测系统模型的输入.运用该模型对大连海事大学科研教学船"育鲲"号的横摇运动进行实时预测,结果验证了该方法可行、有效,并具有较高的预测精度.

开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制

提出一种基于有限元模型的开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制的新方法。自适应模糊神经网络系统以相绕组的电流和磁链为输入,以转子位置角度为输出,从而建立起电流、磁链和转子位置角度的非线性映射关系。网络训练的样本数据来自于有限元模型分析,它具有足够的精度,且不需要测量仪器和线路布置,不受环境干扰因素影响,能够大幅减少试验成本,缩短试验周期。仿真和实验结果表明,由自适应模糊神经网络获得的角度信号和由位置传感器获得的角度信号相比误差较小,电机能够准确换相,且输出转矩波动小,转速曲线平滑,电机在无位置传感器下运行良好。

利用地震属性、多元统计分析理论和ANFIS预测碳酸盐岩储层裂缝孔隙度

碳酸盐岩储层非均质性和各向异性强,利用某种单一技术难以准确定量地刻画出裂缝孔隙度空间分布情况。利用地震属性、多元统计分析理论和ANFIS(自适应性模糊神经网络)综合预测碳酸盐岩储层裂缝孔隙度。用成像测井资料准确识别裂缝孔隙发育位置,并计算出裂缝孔隙度的大小,用自适应性模糊神经网络建立井孔裂缝孔隙度和井旁地震属性数据体之间的函数关系模型,结合全区地震属性数据体对碳酸盐岩储层进行定量评价。利用该项技术预测塔中某工区碳酸盐岩储层裂缝孔隙度分布,预测结果与钻遇优质储层的井点吻合,说明该方法在该区有一定的实用性。

基于ABAQUS-ANFIS-MCS的岩质边坡可靠性分析

针对岩质边坡工程稳定性分析中参数的不确定性,基于ABAQUA建立了平面破坏型边坡有限元分析模型。并用该模型进行了边坡稳定状态的数值模拟,以获得进行ANFIS分析的数据。同时基于自适应神经模糊推理系统建立了岩体力学参数与边坡抗滑力和下滑力的映射模型,分析得到抗滑力和下滑力的统计特征。根据蒙特卡罗模拟方法用MATLAB语言编写了求解边坡的破坏概率和可靠度的计算程序,对湖南雪峰水泥原料矿山的露天矿边坡进行可靠度分析。研究结果表明,该方法具有避免编写冗长的有限元计算程序、节省机时、计算精度高的优点。

船舶安全航行系统风险分级ANFIS模型

为准确实现对在航船舶的风险评估,建立船舶安全航行系统风险分级ANFIS模型.该方法分层列出4级影响船舶风险值的风险因素,通过模糊推理系统初步定义各项风险因素的隶属度模型.根据建立的模型和典型在航船舶历史数据,运用模糊神经网络的自学习性对模型进行修正,最终实现对船舶风险的客观评估.得到的数据对比图及误差图分析表明,该方法能够使典型数据充分加入,有效克服建模中的主观影响,并在合理的误差范围内较客观地评估在航船舶整体风险.

基于ANFIS的移动学习资源自适应呈现模型研究

移动学习资源呈现方式合理与否直接影响着移动学习者的学习积极性和学习效率,文章在分析移动学习资源呈现方式影响因素基础上,提出了基于学习者的学习位置、学习需求、网络速率以及设备电量等情景因素组成的移动学习资源自适应呈现函数和呈现模型,并采用模型训练与测试方法验证其可行性和有效性。

基于ANFIS-PID的四旋翼姿态控制系统设计与仿真

四旋翼飞行器在飞行控制系统非常复杂,在飞行中极容易受到外界因素的影响而改变飞行姿态,为保证飞行器的姿态能实现自适应平衡,系统结合飞行器时变动力学模型,设计了一种自适应神经模糊推理系统(Adaptive Neuro Fuzzy Inference System,ANFIS)的PID控制方法,该方法具有自动检测、处理、执行的能力,同时能够有效地降低飞行中出现的卡顿、震荡等现象。通过采集数据在Matlab/Simulink中仿真,同时人为增加一些常见的干扰因素,观察各控制通道的参数变化曲线对自适应控制系统对飞行姿态做出实时有效地调整,确保飞行器在飞行姿态控制中能够很好地保持稳定性和鲁棒性。

WT-ANFIS在孤岛检测中的应用研究

针对传统被动式孤岛检测法存在检测时间长、盲区大,而主动式孤岛检测法影响电能质量的缺点,提出一种新的基于模糊神经网络与小波变换的孤岛检测方法。该方法首先采集逆变器输出的电流信号和公共耦合点处的电压信号,再将该电流信号和电压信号分别进行小波变换,然后通过对各尺度上的细节信号进行算法处理来获取适合于孤岛检测的特征向量,最后该特征向量通过模糊神经网络进行模式识别来判断系统是否发生孤岛现象。仿真与实验结果表明,该方法在并网逆变器功率与本地负载功率匹配及失配的多种条件下均能有效识别,具有检测速度快,盲区小,对电能质量无影响等优点,并且适合于单相、三相光伏并网系统。

基于ANFIS的外啮合齿轮泵寿命预测研究

从流量退化趋势的角度提出了基于自适应网络模糊推理系统的寿命预测方法。首先利用改进的集合经验模态分解(MEEMD)方法对加速退化试验的振动数据进行多尺度重构降噪,提取重构信号的峭度值、均方频率、小波包能量,与转矩、转速、压力信号作为齿轮泵性能退化特征;然后使用核主元分析方法(KPCA)进行多特征融合,进而实现外啮合齿轮泵退化评估指标的建立和分析;再利用其退化评估指标与流量信号作为输入量对自适应网络模糊推理系统模型(ANFIS)进行训练,得到的齿轮泵剩余寿命预测模型,为了进一步验证该算法的有效性将其与liner回归模型、三次指数预测模型算法进行了比较,最后基于蒙特卡罗样本扩充方法实现外啮合齿轮泵的可靠性评估。结果表明,该方法的结果与实际阈值的预测误差约为8%,能够对外啮合齿轮泵的寿命进行比较准确的评估。

基于ANFIS的特高压输电线路故障分类识别方法

提出了一种基于自适应神经模糊推理系统(ANFIS)的特高压输电线路故障分类识别方法,以分类识别10种常见的输电线路故障.该方法以故障后1个工频周期内故障电流分量的标准差和四分位距作为故障分类识别的特征量.分析了噪声和谐波对这2个特征量的影响;建立了基于ANFIS的故障分类识别模型.大量仿真试验表明:提出的故障分类识别方法能快速、准确地识别各类故障,并且不易受故障初始角、故障位置和过渡电阻的影响,对噪声、谐波、电流互感器传变特性及采样频率有良好的适应性,分类识别正确率能达到99.5%.

基于ANFIS的自适应机动目标状态估计算法

针对基于当前统计(current statistics,CS)模型的机动目标状态估计算法对机动目标加速度的极限值依赖性大的缺陷,提出了一种利用自适应神经网络-模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)自适应调整目标状态噪声方差的方法。首先利用ANFIS算法对目标机动强度进行估计,进而对目标状态噪声协方差矩阵进行自适应调整;然后利用粒子滤波(particle filter,PF)算法对目标状态进行估计。仿真结果表明,与该方法能够有效提高目标状态估计的精度。

基于ANFIS的人因失误风险严重度识别

为提高人因失误风险评价的精度和效率,考虑人因失误对系统的影响,用人因失误概率(HEP)、失误影响概率(EEP)以及失误后果严重度(ECS)3个参数,对人因失误风险进行度量,以满足概率风险评价(PSA)的最终目的。将神经网络和模糊逻辑推理有机地结合,利用获得的120组人因失误风险数据,建立基于自适应神经-模糊推理系统(ANFIS)的人因失误风险评价模型,用于人因失误风险重要性识别。结果表明,用该模型可克服专家判断的主观性、模糊性和不确定性等缺陷,使人因失误风险评价结果更符合实际。