4 مقاله بیس پیشنهادی در خصوص شبکه فازی عصبیanfis

ANFIS modeling of ionic liquids densities

The aim of this study is to implement an accurate model for prediction of density of ionic liquids at various temperatures based on an extensive data base gathered from literature published works. The data base includes 602 density data points of 146 ionic liquids at various temperatures. The developed model is based on adaptive neuro-fuzzy inference system (ANFIS) algorithms. The predictions of the developed model were analyzed by various methods including both statistical and graphical approaches. The predictions of the developed model were compared with outcomes of literature correlations for predictions of density of pure liquids. Results show that the developed model accurately predicts the experimental data with an overall R 2 and AARD% values of 0.985 and 0.657%, respectively. Moreover, the developed model effectively outperforms literature correlations and presents more accurate and reliable predictions.

مدلسازی ANFIS مایعات یونی

هدف این مطالعه ، اجرای یک مدل دقیق برای پیش‌بینی چگالی مایعات یونی در دماهای مختلف براساس یک پایه داده گسترده است که از متون منتشر شده از آثار منتشر شده‌است. پایه داده‌ها شامل points داده چگالی density مایعات یونی در دماهای مختلف است. مدل توسعه‌یافته مبتنی بر سیستم استنباطی neuro - گنگ تطبیقی ( ANFIS ) است. پیش‌بینی‌های مدل توسعه‌یافته توسط روش‌های مختلفی از جمله روش‌های آماری و گرافیکی تحلیل شدند. پیش‌بینی‌های مدل توسعه‌یافته با نتایج همبستگی متون برای پیش‌بینی چگالی مایعات خالص مقایسه شدند. نتایج نشان می‌دهد که مدل توسعه‌یافته به طور دقیق داده‌های تجربی را با یک R R ۲و AARD % مقادیر ۰.۹۸۵ و ۰.۶۵۷ % پیش‌بینی می‌کند. علاوه بر این ، مدل توسعه‌یافته به طور موثر از همبستگی ادبیات عمل می‌کند و پیش‌بینی‌های دقیق و قابل‌اطمینان بیشتری را ارایه می‌دهد.

ANFIS based prediction model for biomass heating value using proximate analysis components

This paper proposes a new biomass higher heating value (HHV) prediction model using adaptive neuro-fuzzy inference system (ANFIS) approach. The 444 data related to wide range biomass based materials are composed from the open literature. The input set for the prediction model is involved of the proximate analysis components such as fixed carbon, ash and volatile matter. Three methods called grid partition, sub-clustering and fuzzy c-means are considered in the ANFIS model building process, in order to generate fuzzy inference system (FIS) structure. For determining the best ANFIS based prediction model, a number of simulation studies are performed for each FIS method. The optimal result obtained from each method is compared with each other and the results of the models given in the related literature by prediction performance criteria. The results show that sub-clustering based ANFIS model is the best biomass HHV prediction model. Its obtained coefficient of regression ( R 2 ) and root mean square error (RMSE) are 0.8836 and 1.3006, respectively, in the testing phase. As a conclusion, it can be said that the proposed ANFIS based model is an efficient technique to obtain high accuracy biomass HHV prediction.

مدل پیش‌بینی مبتنی بر anfis برای ارزش گرمایش زیست توده با استفاده از اجزای تجزیه و تحلیل

این مقاله یک مدل پیش‌بینی ارزش حرارتی جدید (HHV)را با استفاده از رویکرد سیستم استنتاج فازی تطبیقی (anfis)پیشنهاد می‌کند. داده‌های ۴۴۴ مربوط به گستره وسیعی از مواد مبتنی بر زیست توده، از ادبیات باز تشکیل شده‌است. مجموعه ورودی برای مدل پیش‌بینی شامل اجزای تجزیه و تحلیل نزدیک مانند کربن ثابت، خاکستر و مواد متغیر است. سه روش به نام افراز شبکه، clustering و c - means در فرآیند ساختمان مدل anfis در نظر گرفته می‌شوند تا ساختار سیستم استنباط فازی (FIS)را ایجاد کنند. برای تعیین بهترین مدل پیش‌بینی مبتنی بر anfis، تعدادی از مطالعات شبیه‌سازی برای هر روش FIS صورت می‌پذیرد. نتیجه بهینه بدست‌آمده از هر روش با یکدیگر مقایسه می‌شود و نتایج مدل‌های ارایه‌شده در ادبیات مربوطه با معیارهای عملکرد پیش‌بینی مقایسه می‌شود. نتایج نشان می‌دهد که مدل anfis مبتنی بر خوشه‌بندی بهترین مدل پیش‌بینی زیست توده زیستی است. ضریب همبستگی به‌دست‌آمده از رگرسیون (R ۲)و خطای جذر میانگین ریشه در مرحله آزمایش به ترتیب ۰.۸۸۳۶ و ۱.۳۰۰۶ هستند. به عنوان یک نتیجه می توان گفت که مدل پیشنهادی مبتنی بر anfis یک تکنیک کارآمد برای دستیابی به پیش‌بینی دقت بالا زیست توده است

Forecasting energy consumption using ensemble ARIMA–ANFIS hybrid

Energy consumption is on the rise in developing economies. In order to improve present and future

energy supplies, forecasting energy demands is essential. However, lack of accurate and comprehensive

data set to predict the future demand is one of big problems in these countries. Therefore, using ensemble

hybrid forecasting models that can deal with shortage of data set could be a suitable solution. In this

paper, the annual energy consumption in Iran is forecasted using 3 patterns of ARIMA–ANFIS model.

In the first pattern, ARIMA (Auto Regressive Integrated Moving Average) model is implemented on 4

input features, where its nonlinear residuals are forecasted by 6 different ANFIS (Adaptive Neuro Fuzzy

Inference System) structures including grid partitioning, sub clustering, and fuzzy c means clustering

(each with 2 training algorithms). In the second pattern, the forecasting of ARIMA in addition to 4 input

features is assumed as input variables for ANFIS prediction. Therefore, four mentioned inputs beside

ARIMA’s output are used in energy prediction with 6 different ANFIS structures. In the third pattern,

due to dealing with data insufficiency, the second pattern is applied with AdaBoost (Adaptive

Boosting) data diversification model and a novel ensemble methodology is presented.

The results indicate that proposed hybrid patterns improve the accuracy of single ARIMA and ANFIS

models in forecasting energy consumption, though third pattern, used diversification model, acts better

than others and model’s MSE criterion was decreased to 0.026% from 0.058% of second hybrid pattern.

Finally, a comprehensive comparison between other hybrid prediction models is done.

پیش‌بینی مصرف انرژی با استفاده از مجموعه گروه ترکیبی - anfis هیبرید

مصرف انرژی در حال توسعه در اقتصادهای در حال توسعه است . به منظور بهبود حال و آینده

تامین انرژی , پیش‌بینی نیازهای انرژی ضروری است . با این حال , فقدان دقیق و جامع

? مجموعه داده‌ها برای پیش‌بینی تقاضای آینده یکی از مشکلات بزرگ در این کشورها است . بنابراین ,استفاده از مجموعه تنظیمات

? مدل‌های پیش‌بینی ترکیبی که با کمبود مجموعه داده‌ها سروکار دارند , می‌توانند راه‌حل مناسبی باشند . دراین

در این مقاله مصرف انرژی سالانه در ایران با استفاده از سه الگوی مدل ARIMA پیش‌بینی می‌شود .

در الگوی اول , مدل ( میانگین متحرک Moving Integrated ) در 4 اجرا می‌شود .

ویژگی‌های ورودی , که در آن باقی مانده‌های غیر خطی آن توسط 6 anfis مختلف ( انطباقی Neuro Fuzzyپیش‌بینی می‌شوند .

ساختار استدلال ( سیستم استدلال ) شامل تقسیم‌بندی شبکه , خوشه‌بندی فرعی , و فازی c به معنایخوشه‌بندی است .

( هر یک با 2 الگوریتم آموزشی ) . در الگوی دوم , پیش‌بینی ARIMA علاوه بر چهار ورودی

برای پیش‌بینی anfis ویژگی‌های ورودی نیز به عنوان متغیرهای ورودی در نظر گرفته شده‌است . از این روچهار ورودی ذکر شده در کنار

خروجی ARIMA در پیش‌بینی انرژی با 6 ساختار anfis مختلف استفاده می‌شود . در الگوی سوم ,

با توجه به عدم کفایت داده‌ها , الگوی دوم با AdaBoost ( انطباقی ) اعمال می‌شود .

تقویت مدل تنوع داده و یک روش گروهی جدید ارائه شده‌است .

نتایج نشان می‌دهد که الگوهای ترکیبی پیشنهادی دقت هر ARIMA و anfis را بهبود می‌بخشند .

مدل‌های موجود در پیش‌بینی مصرف انرژی , هر چند الگوی سوم , مدل تنوع استفاده‌شده , عملکرد بهتریدارد .

نسبت به دیگران و مدل توانی خود توانی از 0.058 % از الگوی دوگانه دوم به 0.026 % کاهش‌یافته است .

در نهایت , مقایسه جامعی میان دیگر مدل‌های پیش‌بینی هیبرید انجام می‌شود .

2016 با مسئولیت محدود . تمام حقوق محفوظ است

Predictive model based on ANFIS for estimation of thermal conductivity of carbon dioxide

Developing accurate and reliable modeling techniques for prediction of different properties of supercritical fluids (SCFs) such as thermal conductivity is of crucial importance due to growing application of these fluids in various fields of industrial and supercritical processes. This study aims to develop a predictive model for CO 2 thermal conductivity predictions based on Adaptive Neuro-Fuzzy Inference System (ANFIS). An extensive number of 1042 experimental data were gathered from the literature covering wide ranges of operational temperatures and pressures. The combination of Hybrid and Particle Swarm Optimization (PSO) methods were used to train the model. The predictions of the developed Conjugate ANFIS model were compared with two literature correlations. Results show that the developed model is accurate and effective in prediction of experimental data. In addition, the proposed model is superior to two literature correlations in prediction of actual thermal conductivity data.

مدل پیش بینی بر اساس ANFIS برای ارزیابی هدایت حرارتی دی اکسید کربن

در حال توسعه تکنیک های مدل سازی دقیق و قابل اعتماد برای پیش‌بینی ویژگی‌های مختلف مایعات supercritical ( SCFs ) مانند رسانایی گرمایی، به دلیل افزایش کاربرد این سیالات در رشته‌های مختلف فرایندهای صنعتی و صنعتی، اهمیت حیاتی دارد. هدف این تحقیق توسعه یک مدل پیش‌بینی کننده برای پیش‌بینی های گرمایی حرارتی بر اساس سیستم استنباطی Neuro adaptive است. تعداد زیادی از داده‌های تجربی ۱۰۴۲ از نوشته‌ها جمع آوری شدند که محدوده های وسیعی از دما و فشارهای عملیاتی را پوشش می‌دادند. ترکیب بهینه سازی خوشه های ترکیبی و ذره ( PSO ) برای آموزش مدل مورد استفاده قرار گرفت. پیش‌بینی های مدل Conjugate developed توسعه یافته با دو همبستگی ادبیات مقایسه شدند. نتایج نشان می‌دهند که مدل توسعه یافته در پیش‌بینی داده‌های تجربی دقیق و مؤثر است. علاوه بر این، مدل پیشنهادی نسبت به دو همبستگی ادبیات در پیش‌بینی داده‌های هدایت گرمایی واقعی برتر است.