4 مقاله بیس پیشنهادی در خصوص شبکه فازی عصبیanfis

Input optimization of ANFIS typhoon inundation forecast models using a Multi-Objective Genetic Algorithm

Inundation forecast models based on a subset of data inputs are advantageous in their efficiency due to the rather fewer inputs needed to be processed. This type of models is nevertheless rare mainly because of the difficulty in selecting the appropriate combination of input variables. In this study, an innovative methodology is proposed to overcome this difficulty by integrating Adaptive Network-based Fuzzy Inference System (ANFIS) and Multi-Objective Genetic Algorithm (MOGA). The three indices of the coefficient of efficiency (CE), relative peak error (RPE) and relative time shift error (RTS) are used to assess the performances of the models from various perspectives. Optimal combinations of data inputs for the ANFIS models are searched for by MOGA, and the three models with the best performances for each index are selected. Comparisons show that the optimal models obtained by the proposed methodology have better overall performances than the ARX and Nonlinear ARX models. Test results reveal that the optimal models preferably selected for a designated prediction lead time cannot maintain optimality under different prediction leads. This problem has been resolved by the use of a series of models, each optimized with respect to a designated prediction lead time using the same methodology. Test results show that the model series exhibits significant improvements under various prediction leads and thus effectively improves the accuracy of inundation level prediction

بهینه‌سازی ورودی مدل‌های سرریز سیل با استفاده از یک الگوریتم ژنتیک چند هدفه

مدل‌های پیش‌بینی سیلاب براساس یک زیرمجموعه از داده‌های داده ، به دلیل ورودی‌های نسبتا کم‌تر مورد نیاز برای پردازش ، سودمند هستند. بااینحال ، این نوع مدل‌ها عمدتا به دلیل دشواری انتخاب ترکیب مناسب متغیرهای ورودی نادر است. در این مطالعه ، یک روش نوآورانه برای غلبه بر این مشکل با یکپارچه‌سازی سیستم منطقی فازی مبتنی بر شبکه ( ANFIS ) و الگوریتم ژنتیک چند هدف ( MOGA ) پیشنهاد شده‌است. سه شاخص ضریب بازدهی ( CE ) ، خطای پیک نسبی ( RPE ) و خطای تغییر زمان نسبی ( RTS ) برای ارزیابی عملکرد مدل‌ها از دیدگاه‌های مختلف استفاده می‌شوند. ترکیبات بهینه ورودی داده‌ها برای مدل‌های ANFIS مورد جستجو قرار می‌گیرند و سه مدل با بهترین عملکرد برای هر شاخص انتخاب می‌شوند. مقایسه نشان می‌دهد که مدل‌های بهینه بدست‌آمده از روش پیشنهادی عملکرد کلی بهتری نسبت به مدل‌های ARX و غیر خطی دارند. نتایج تست نشان می‌دهد که مدل‌های بهینه ترجیحا برای یک زمان پیش‌بینی تعیین‌شده ، نمی‌توانند بهینگی را تحت پیش‌بینی‌های مختلف حفظ کنند. این مشکل با استفاده از مجموعه‌ای از مدل‌ها حل شده‌است که هر کدام با توجه به یک زمان پیش‌بینی تعیین‌شده با استفاده از روش مشابه ، بهینه شده‌اند. نتایج تست نشان می‌دهد که سری‌های مدل پیشرفت‌های قابل‌توجهی را تحت پیش‌بینی مختلف نشان می‌دهد و بنابراین به طور موثر دقت پیش‌بینی سطح سیلاب را بهبود می‌بخشد.

Physical habitat simulation for a fish community using the ANFIS method

This study presents physical habitat simulations for the fish community in a reach of the Dal River, Korea. The study reach is 2.3 km long, located downstream from the Goesan Dam. The reach is gravel-bed, including a bend. A riffle is present at the apex of the bend, and pools are located before and after the riffle. Field monitoring revealed that five fish species are dominant, namely Zacco platypus , Coreoleuciscus splendidus , Zacco temminckii , Pungfungia herzi , and Acheilognathus yamatsute , and account for 78% of the total fish community. These five fishes, which include both lotic and lentic fishes, were selected as target species. The Center for Computational Hydroscience and Engineering 2D (CCHE2D) model, a 2D shallow water equation solver, and the Adaptive Neuro Fuzzy Inference System (ANFIS) method were used for hydraulic and habitat simulations, respectively. The Mahalanobis distance method was used for identifying outliers in the monitoring data. It was shown that the ANFIS method combined with data quality assessment predicts the Composite Suitability Index (CSI) better than the method without it. The CSI distributions in the study reach are presented for various flows. It was found that the distributions of the combined CSI predicted by the ANFIS method are higher than those predicted by the conventional multiplicative aggregation method with Habitat Suitability Curves (HSCs). In addition, it was revealed that the discharge that yields the maximum Weighted Usable Area (WUA) for the whole fish community is more than twice the discharge yielding the maximum WUA for a single target species. This increased discharge leads to a 58% increase in the maximum WUA for the fish community.

شبیه‌سازی زیستگاه فیزیکی برای یک جامعه ماهی با استفاده از روش anfis

در این مطالعه شبیه‌سازی زیستگاه فیزیکی برای جامعه ماهی در دسترسی به رودخانه Dal، کره ارائه شده‌است. طول این مطالعه ۲.۳ کیلومتر طول دارد که در پایین‌دست سد Goesan قرار دارد. این دسترسی خاکی است، از جمله یک پیچ. A در راس پیچی وجود دارد و pools قبل و بعد از the قرار دارند. پایش میدان نشان داد که پنج گونه ماهی غالب هستند به نام‌های Zacco platypus، Coreoleuciscus splendidus، Zacco temminckii، Pungfungia herzi، و Acheilognathus yamatsute و ۷۸ % از کل جامعه ماهی. این پنج ماهی که شامل ماهی‌های lotic و lentic می‌شوند به عنوان گونه‌های هدف انتخاب شدند. مرکز for محاسباتی و مهندسی ۲ D (CCHE۲D)، یک حل‌کننده معادلات آب سطحی ۲ بعدی، و روش سیستم استدلال فازی تطبیقی Adaptive (anfis)به ترتیب برای شبیه‌سازی هیدرولیکی و زیستگاه مورد استفاده قرار گرفتند. روش فاصله Mahalanobis برای شناسایی outliers در داده‌های پایش مورد استفاده قرار گرفت. نشان‌داده شده‌است که روش anfis ترکیبی با ارزیابی کیفیت داده، شاخص Suitability ترکیبی (CSI)بهتر از روش بدون آن را پیش‌بینی می‌کند. توزیع برنامه برسی صحنه جرم در این مطالعه برای جریان‌های مختلف ارائه شده‌است. مشخص شد که توزیع برنامه ¬ های ترکیبی پیش‌بینی‌شده توسط روش anfis، بالاتر از نتایج پیش‌بینی‌شده با روش تجمعی conventional با استفاده از Curves Suitability Habitat (HSCs)است. علاوه بر این، نشان داده شد که تخلیه که حداکثر مساحت Usable (WUA)را برای کل جامعه ماهی به دست می‌دهد، بیش از دو برابر تخلیه است که حداکثر WUA را برای یک گونه هدف واحد تسلیم می‌کند. این تخلیه افزایشی منجر به افزایشی ۵۸ درصدی در حداکثر WUA برای جامعه ماهی می‌شود.

Design and implementation of ANFIS-reference model controller based MPPT using FPGA for photovoltaic system

The aim of this work is to demonstrate the usefulness of Adaptive Neuro Fuzzy Inference System (ANFIS) for tracking Maximum Power Point (MPP) in stand-alone photovoltaic system. Maximum Power Point Tracking (MPPT) is one of approaches which boost efficiency of PhotoVoltaic (PV) cells by the load matching between the PV cells and the load. The key problem is that maximum power is not achieved because PV cells power is affected by weather conditions such as the solar irradiation and the temperature, thus, the MPP is changed during daylight hours and year seasons. Therefore, it is necessary to design an appropriate controller based on one of techniques to track MPP. These techniques are based on true or estimated searching mechanism to MPP. True searching mechanism based techniques like incremental conductance method and perturb and observe method are efficient but they are less stable, more oscillatory about MPP and sensitive to a high frequency noise. Generally, estimated searching mechanism based techniques like constant voltage method and fractional open circuit voltage method are less efficient, but they are stable and no sensitive to a high frequency noise. In this paper, the ANFIS-reference model method in addition to the incremental conductance method and constant voltage method have been studied, designed and implemented using Field Programmable Gate Array (FPGA) board to compare the performance of each method. The proposed ANFIS-reference model controller is efficient since it has been trained offline using Matlab tool with practical data sets. Based on our knowledge, this paper is the first paper which introduces practical implementation of ANFIS-reference model based MPPT for photovoltaic system using FPGA board. The results reveal that the ANFIS-reference model controller has more efficient and better dynamic response than the incremental conductance method and constant voltage method.

طراحی و پیاده‌سازی کنترلر مدل مرجع مبتنی بر anfis MPPT با استفاده از FPGA برای سیستم فتوولتائیک

هدف از این کار نشان دادن سودمندی سیستم استدلال فازی Neuro مبتنی بر انطباقی (anfis)برای ردیابی حداکثر توان (MPP)در سیستم فتوولتائیک تنها می‌باشد. حداکثر توان پی‌گیری نقطه توان (MPPT)یکی از روش‌هایی است که بازدهی سلول‌های photovoltaic (PV)را با تطبیق بار بین سلول‌های PV و بار افزایش می‌دهد. مشکل اصلی این است که حداکثر قدرت به دست نمی‌آید چون قدرت سلول‌های PV تحت‌تاثیر شرایط آب و هوایی چون تابش خورشیدی و دما قرار می‌گیرد در نتیجه، در طول روز و فصول سال تغییر می‌کند. بنابراین، طراحی یک کنترل‌کننده مناسب براساس یکی از روش‌ها برای ردیابی MPP ضروری است. این روش‌ها براساس مکانیسم جستجوی حقیقی یا تخمین زده‌شده برای MPP هستند. مکانیزم جستجو درست مانند روش رسانایی افزایشی و روش مشاهده کارآمد است اما پایداری کمتری دارند، نسبت به MPP و حساسیت به نویز فرکانس بالا، نوسان کمتری دارند. به طور کلی، روش‌های جستجوی برآورد شده مبتنی بر مکانیزم جستجو مانند روش ولتاژ ثابت و روش ولتاژ مدار باز کسری کم‌تر موثر هستند، اما آن‌ها پایدار هستند و نسبت به نویز فرکانس بالا حساس نیستند. در این مقاله، روش مدل مرجع anfis علاوه بر روش رسانایی افزایشی و روش ولتاژ ثابت مورد بررسی قرار گرفته‌است، طراحی و پیاده‌سازی شده با استفاده از آرایه فازی قابل‌برنامه‌ریزی (FPGA)برای مقایسه عملکرد هر روش. کنترل‌کننده مدل مرجع anfis پیشنهادی کارآمد است چون با استفاده از ابزار Matlab با مجموعه‌های داده عملی در حالت برون‌خط آموزش‌دیده است. براساس دانش ما، این مقاله اولین مقاله است که اجرای عملی مدل مرجع مبتنی بر anfis را برای سیستم فتوولتائیک با استفاده از بورد FPGA معرفی می‌کند. نتایج نشان می‌دهد که کنترل‌کننده مدل مرجع anfis نسبت به روش رسانایی افزایشی و روش ولتاژ ثابت، واکنش دینامیک تری و بهتری نسبت به روش رسانایی افزایشی دارد.

Evaluation of agriculture and industry effect on economic health by ANFIS approach

Economic development could be influenced due to many factors. For example agriculture and industry sectors could have significant impact on the economic growth and health. Gross domestic product (GDP) is used as an indicator of the economic health. Since the economic health and growth analyzing is very challenging task with commonly redundant data, in this investigation the economic growth was analyzed by ANFIS (adaptive neuro fuzzy inference system) methodology based on the agriculture and industry added value in GDP. The main goal was to analyze the influence of the industry and agriculture on the GDP, industry or agriculture. Results shown that the agriculture sector has higher influence than industry sector on the GDP health and growth.

بررسی اثر کشاورزی و صنعت بر سلامت اقتصادی با استفاده از روش ANFIS

توسعه اقتصادی می‌تواند تحت‌تاثیر عوامل بسیاری باشد. برای مثال بخش‌های کشاورزی و صنعتی می‌توانند تاثیر قابل‌توجهی بر رشد اقتصادی و سلامت داشته باشند. تولید ناخالص داخلی ( GDP ) به عنوان شاخص سلامت اقتصادی استفاده می‌شود. از آنجا که سلامت اقتصادی و رشد در تحلیل کار بسیار چالش برانگیز است ، در این تحقیق ، رشد اقتصادی توسط سیستم استنباطی neuro ( adaptive adaptive adaptive ) مبتنی بر کشاورزی تحلیل شده‌است. هدف اصلی تحلیل تاثیر صنعت و کشاورزی در تولید ناخالص داخلی ، صنعت یا کشاورزی بود. نتایج نشان می‌دهد که بخش کشاورزی تاثیر بالاتری نسبت به بخش صنعت تولید ناخالص داخلی و رشد دارد.