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。

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。

基于模糊推理的线控制动系统意图识别研究

为提高线控制动系统制动意图识别的精准度,同时使其具备更强的制动场景适应能力,设计了一种基于模糊推理算法,由车辆挡位、轮胎转角、制动踏板开度及制动踏板速度作为特征参量,对驾驶员制动意图与车辆行驶场景进行实时推理的制动意图识别策略,并基于各场景下车辆的实际制动需求对线控制动系统管路期望压力数值及其动态特性进行了匹配。该策略采用基于永磁同步电机FOC控制算法的PID闭环压力控制策略对模糊推理模型在不同制动意图与制动场景下所分配期望压力进行实时跟踪的形式,实现了由期望压力到系统管路实际压力的精准转化,成功将不同场景下为期望压力所匹配的压力变化动态特性赋予了管路实际压力,实现了不同场景下线控制动系统实际压力动态特性的差异化控制。最终基于所制定的整体控制策略分别在AMEsim与Simulink内搭建了机械液压模型及控制算法模型并对其进行了制动意图识别与制动压力跟踪联合仿真,从而验证了该策略的有效性与实用性。

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。

基于案例和模糊推理的泌尿系统炎症诊断方法研究

近年来,随着生活压力的增大,泌尿系统炎症对人们健康的威胁越来越大,泌尿系统炎症却不像其他疾病一样得到大众的关注和重视。另外,泌尿系统炎症的分类复杂,难以鉴别,很多人羞于启齿,拖延治病时机。因此,本文根据专家诊断思维过程及案例集的部分模糊属性,提出一种将案例推理和模糊推理相互融合的推理机制,以帮助缓解就医尴尬,提高对疾病的重视,并为在线诊疗社区实现疾病智能诊断提供参考。该推理机制中,采用结构化表示和双重相似性算法进行案例推理,而模糊推理则对具有不确定性和模糊性的病情描述进行了建模和处理。最终的推理结果结合了案例推理和模糊推理两方面的信息,并基于模糊输出实现病例库的自动更新,从而不断完善和优化系统的推理能力,使得疾病的诊断正确率比单独的案例推理或模糊推理高出很多。在文章的最后还给出了今后的改进方向,以期逐步优化案例和模糊推理的融合方法。

基于PID和模糊推理的集成热管理系统控制方法研究

热管理系统控制是实现高效热管理性能和低系统能耗的关键。利用AMESim搭建了纯电动汽车集成热管理系统模型,基于逻辑门限控制原理搭建了该系统的控制策略,针对压缩机转速控制分别采用了PID和模糊推理的控制方法,以世界统一的重型商用车辆瞬态循环(World Transient Vehicle Cycle,WTVC)工况为基础,在不同环境条件下对模型进行仿真,对被控对象的温度响应和系统能效进行了分析。结果表明,基于并行状态的控制策略能满足各子系统制冷、制热及热舒适性的需求,模糊控制相较于传统PID具有更好的控制效果和能耗水平。

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。

自适应神经模糊推理系统(ANFIS)在水文模型综合中的应用

由于目前已有很多比较成熟的流域水文模型,因此我们可以选用几个流域水文模型进行并行运算,来同时模拟流域降雨—径流关系。在相同的降雨输入情况下,不同模型得到的模拟流量必然会有所不同,模型效率系数和模拟精度也会不同。因此,如何将不同模型的模拟结果进行综合以进一步提高流量模拟精度是一个关键问题。本文选用自适应神经模糊推理系统(ANFIS)作为水文模型综合平台,以牧马河流域为试验区域,对两个并行运算水文模型(三水源新安江模型和总径流响应模型)的结果进行综合处理,得到了更稳健的流量模拟结果,大大提高了模型效率和模拟精度。该方法值得在实践中借鉴。

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。

基于自适应神经模糊推理系统(ANFIS)的煤炭企业物资消耗预测模型

针对煤炭企业传统物资消耗预测中存在的不足,以及影响煤炭企业物资消耗的因素复杂等特点,建立一种基于自适应神经模糊推理系统(ANFIS)的物资消耗预测模型.并结合某大型煤炭企业采矿生产中所消耗的钢材量和相对应的影响因素,对模型的预测效果进行了验证.

基于优化模糊推理系统的电力变压器故障检测方法

为了提高电力变压器故障检测的准确性和稳定性,提出一种基于一维卷积神经网络和优化自适应神经模糊推理系统的检测方法;将利用溶解气体分析法得到的14个特征属性作为自适应神经模糊推理系统的初始未处理输入,通过一维卷积神经网络从中选择8个最具指示性的属性;采用改进帝王蝶优化算法对自适应神经模糊推理系统进行训练,并通过真实数据集实验与其他电力变压器故障诊断算法进行检测性能对比。结果表明,所提出方法的电力变压器故障检测准确率达98.91%,50次独立运行中故障检测的标准偏差为±0.01,具有检测准确性高、性能稳健、运行时间短的优点。

自适应神经模糊推理系统(ANFIS)及其仿真

自适应神经网络模糊推理系统ANF IS是模糊控制与神经网络控制结合的产物。讨论了ANF IS的结构及其特点,并利用M ATLAB的专用工具箱进行了仿真研究,取得满意的效果。

自适应神经模糊推理系统(ANFIS)及其仿真

以一个非线性模型为研究对象,通过对自适应神经模糊推理系统(ANFIS)建模机理的研究建立了非线性实例模糊模型,借助MATLAB中ANFIS的功能讨论隶属度函数的数目、ANFIS输出、训练误差等对自适应神经模糊推理系统(ANFIS)的影响,取得了良好的效果。结果表明利用ANFIS进行非线性系统建模和辨识是可行的,其辩识精度很高。

基于双基点模糊推理的智能系统评估方法

针对现有面向智能系统的智能化水平评估方法存在的粗粒度评估、泛用性差、不可解释等不足,提出一种基于深度双基点模糊推理的系统智能化水平评估方法。该方法提出一套通用的智能化水平评估指标体系,并基于该指标体系搭建深度双基点模型,该模型首先根据多个维度的细粒度指标生成初步综合评价,随后使用自适应模糊推理网络进行模糊计算,最终输出智能化水平。该模型采用定性评估与定量评估相结合的评估策略,融合专家知识和模糊推理方法,使得评估结果具有可解释性且模型具有较强的泛用性。针对不同的信息系统,基于所提出的智能化水平评估指标体系,使用相关数据及相关领域的专家知识进行实验验证,结果表明所提出的评估方法能够稳定地进行智能化水平评估,评估结果可解释且评估模型具有良好的泛用性。所提出方法能够为大数据及人工智能系统的智能化水平评估提供方法和参考。

基于自适应神经模糊推理系统(ANFIS)的电力系统短期负荷预测

采用ANFIS(AdaptiveNeuro-FuzzyInterferenceSystem)进行电力系统短期负荷预测。ANFIS将模糊理论与神经网络融合,利用神经网络来实现系统的模糊逻辑推理,采用混合学习算法调整前提参数和结论参数,自动产生模糊规则。利用某局网负荷数据对网络进行训练和检测,所得结果表明利用ANFIS预测负荷有效。

基于自适应神经模糊推理系统及随机分形搜索算法的黄酒发酵过程建模与优化

黄酒酿造是多菌种混合发酵,具有产物多样的特点,已有的黄酒发酵过程模型是建立在主要生化反应基础上的发酵动力学模型,模型的精度和泛化能力尚不能满足工业需求。针对黄酒醪液中生成产物多样的特征,该文利用模糊系统的建模策略,将自适应神经模糊推理系统的单维度输出扩展到多维度输出,提出了多输出自适应神经模糊推理系统模型;然后针对该模型参数量大的特点,该文将莱维飞行和层次学习策略融入随机分形搜索算法,提出了层次学习随机分形搜索算法,用于模型参数的辨识与优化。仿真结果表明,该算法提升了模型的精度和泛化能力,实现了不同生产批次黄酒发酵状态的良好预测。

优化模糊推理系统在电力变压器故障检测处理中的应用

电力变压器故障检测处理工作意义重大,需要借助人工智能算法提升故障检测效率。在分析电力变压器故障检测原理的基础上,提出利用优化模糊推理系统进行电力变压器故障检测处理,通过一维卷积神经网络选取出最优属性,并将其作为自适应神经模糊推理预测模型的输入特征,再利用改进的帝王蝶优化算法(Monarch Butterfly Optimization,MBO)优化模型的分类精准性,从而完成故障的诊断与分类。通过与同其他算法模型的对比,所提模型的精准度高达98.99%,且运行时间仅为1.23 s。这表明该方法在电力变压器故障检测处理中具有高效性和准确性,能够有效提高故障检测效率,为电力系统的稳定运行提供有力保障。