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。

自适应模糊神经网络多信息融合串联型电弧故障检测方法

针对低压交流串联电弧故障因其特殊性难以识别的问题,在实验室建立了实验平台,采集不同负载下的正常和电弧故障的电流波形数据,提出一种自适应模糊神经网络(adaptive neuro fuzzy inference system,ANFIS)多信息融合串联型电弧故障检测方法,通过多层次特征参数提取,对自适应模糊神经网络进行训练、测试。结果表明,该方法可以有效地克服反向传播(back propagation,BP)神经网络故障诊断中收敛速度慢、误差精度大的缺点,得到更为精准、理想的诊断结果。

自适应模糊神经网络系统在管道泄漏检测中的应用

输油管道泄漏信号的检测存在信噪比较低的问题 ,利用自适应模糊神经网络系统的去噪方法可以提高压力信号、流量信号的信噪比。由于自适应模糊神经网络系统具有非线性映射和自学习能力 ,能够用于噪声信号的非线性建模。它不仅能够获取信号的最佳估计 ,并且能够克服信号处理中存在的模型和噪声的不确定性、不完备性。应用结果表明 ,自适应模糊神经网络的自适应噪声抵消器不仅实现简单、节省运行时间 ,而且能快速、有效地消除流量、压力信号中的各种噪声 。

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。

ANFIDS:基于模糊神经网络的自适应入侵检测系统

在研究和分析现有网络入侵检测技术的基础上,提出了一种基于神经网络和模糊推理技术的自适应入侵检测系统(ANFIDS)。该系统运用模糊理论把安全参数模糊化,使得系统能更好地描述网络流量特性与攻击的关系,从而更精确地捕获攻击行为,同时利用网络流量对隶属度函数和模糊规则进行调整和优化。实验结果表明,训练后的 ANFIDS系统能够检测网络的异常行为并有效地减低误报率。

一种基于小波域检测与自适应神经网络模糊演绎系统的微钙化检测新算法

目的基于乳腺癌微钙化的重要早期征象,研究乳腺X线图像计算机辅助诊断的检测与算法。方法提出了一种新的微钙化自动检测技术:它采用离散小波变换分解图像的高频分量,在小波域中对疑似的微钙化进行检测,并使用自适应神经网络模糊演绎系统(ANFIS)进行自适应调节;然后使用基于多层感知器(MLP)的分类器对疑似的微钙化进行筛选,以降低检测的假阳性率。结果在使用FROC曲线中段的参数组进行实际检测时,本算法的真阳性检出率达到了96.9%,每张图像的假阳性个数为0.2个。结论由于拥有自适应调节能力,本算法与传统的微钙化检测算法相比,具有了更高的检测精度和稳定性。

基于自适应神经网络模糊系统的混沌音频水印盲检测

自适应神经网络模糊推理系统(AdaptiveNeuro FuzzyInferenceSystem, ANFIS)是将Sugeno一阶模糊系统以网络的形式来实现而得到的一种多输入单输出的神经网络。它能够很好的模拟出输入输出之间的关系,且收敛速度快,误差小,所需训练样本少,非常有利于水印信号的盲分离。利用ANFIS良好的自适应控制能力提出了一种具有较强鲁棒性的DCT域音频水印盲检测算法,实验证明,该水印检测算法准确性高,时间代价小,具有较强的抗攻击性,很有实用价值。

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。

混凝土强度模糊神经网络检测系统

为了提高检测精度,建立了模糊神经网络来综合评定结构的混凝土强度,充分利用了钻芯法和回弹法这两种常用混凝土测强方法的特点以及模糊神经网络的自学习、泛化和模糊逻辑推理功能。根据回弹值与钻芯值之间趋于幂函数关系的专家经验,将回弹值和钻芯值分别取常用对数作为模型的输入和输出,以提高建模精度。同时,模型参数采用一种混合学习算法确定,可以提高学习速度。实验结果表明,模型预测结果的平均相对误差为10.316%,相对标准差为12.895%,满足工程实际要求。该方法可以有效地映射出钻芯、回弹数据间复杂的非线性关系,为混凝土强度检测评定提供了一种有效的途径。

自适应神经网络一模糊推理融合检测系统

针对如何减小干扰环境下各传感器状态的不确定性对融合检测性能的影响,文中提出一种自适应神经网络-模糊推理融合检测系统。该系统通过自适应地综合处理传感器状态和传感器检测性能信息得到可靠的融合检测结果。仿真结果表明,在干扰环境下新的融合检测系统要明显优于其它几种传统的融合检测方法。

基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基(RBF)神经网络和自适应神经网络模糊系统(ANFIS)相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足。某电网实际预测结果表明,该方法具有较好的预测效果。

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。

粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法

电力系统短期负荷预测不仅要考虑负荷本身的历史时间序列,而且与气象因素密切相关,自适应神经网络模糊系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)模型是一种有效的预测方法,而系统输入变量的合理性选择是影响预测效果的关键所在。作者通过粗糙集理论中的信息熵概念对解决这一问题进行了尝试,选取与待预测量相关性大的参数作为输入。所构造ANFIS系统是基于数据进行建模并进行参数辨识的,这样有效地避免了模糊推理系统(Fuzzy Inference System,FIS)中人为主观因素对预测的负面影响,客观地反映了相关变量与负荷值之间的复杂关系。用该方法与常用BP神经网络及常用FIS分别对重庆市某区进行了一周的日负荷预测,通过对实例的对比分析表明了该方法具有较好的收敛性和预测精度。

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。

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。

用于气动伺服系统的自适应神经模糊控制器

研究了一种基于压力比例阀的气动伺服系统自适应神经模糊控制器。其中的神经网络辨识器（NNI）通过离线训练可以充分逼近非线性动态系统的模型，并能够在线调整模糊控制器的控制规则。系统的位置控制精度和伺服特性有了很大改善。试验结果表明，所提出的控制器对该气动伺服系统具有很好的控制特性以及很强的自适应能力。

自适应神经模糊推理系统改进算法在机械加工参数优化中的应用

在分析目前常用反向传播算法改进方法优缺点的基础上,提出用共轭梯度法对自适应模糊神经推理系统进行改进的训练算法,在训练中用Fletcher-Reeves方法计算上次搜索方向对新搜索方向的影响因数,在混沌时间序列预测和复杂非线性函数逼近的应用实例证明,改进后的算法收敛次数减少,训练速度加快。结合MATLAB的模糊工具箱,详述了如何在已有标准算法基础上进行算法改进。目前计算机辅助工艺设计受诸多复杂非线性问题的困扰发展缓慢,利用自适应模糊神经推理系统的自学习、自适应和逻辑推理能力,将改进后的算法用于逼近误差复映系数与工艺系统刚度、进给量等因素之间的非线性关系,实现机械加工参数的优化,提高工艺系统的自适应能力和工作效率,试验验证了此方法的可行性。

自适应神经模糊系统的LiFePO_4电池SOC预测

利用自适应神经模糊系统(adaptive neuro-fuzzy inference system,ANFIS)对电动汽车磷酸铁锂(LiFePO4)电池荷电状态(state of charge,SOC)预测研究。在分析ANFIS结构原理基础之上,采用BP(back-propagation)算法和最小二乘估计的混合算法分别建立两输入变量和三输入变量的ANFIS预测模型,并利用两种模型进行SOC预测。实例预测结果表明ANFIS能精确预测磷酸铁锂电池SOC值,且三输入变量ANFIS模型预测精度得到改善;与实测相比,三输入ANFIS预测模型的最大绝对误差在1%以下,平均百分比误差(average percentage error,APE)小于2%。