ANFIS

حرية الوصول المقاله

1 - A Smart Hybrid System for Parking Space Reservation in VANET
Farhad Rad hadi pazhokhzadeh hamid parvin

Nowadays, developed and developing countries using smart systems to solve their transportation problems. Parking guidance intelligent systems for finding an available parking space, are considered one of the architectural requirements in transportation. In this paper, w أکثر

Nowadays, developed and developing countries using smart systems to solve their transportation problems. Parking guidance intelligent systems for finding an available parking space, are considered one of the architectural requirements in transportation. In this paper, we present a parking space reservation method based on adaptive neuro-fuzzy system(ANFIS) and multi-objective genetic algorithm. In modeling of this system, final destination, searching time and cost of parking space have been used. Also, we use the vehicle ad-hoc network (VANET) and time series, for traffic flow predict and choose the best path. The benefits of the proposed system are declining searching time, average the walking and travel time. Evaluations have been performed by the MATLAB and we can see that the proposed method makes a good sum of best cost which is useful and meaningful in a parking space reserved for drivers and facility managers. The simulation results show that the performance and accuracy of the method have been significantly improved compared to previous works. تفاصيل المقالة

حرية الوصول المقاله

2 - ارایه مدلی جهت پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از ANFIS و رگرسیون فازی
محمد حسین کشاورز محمدرضا فیلی ز اده ایاد هندالیانپور

این پژوهش، با هدف ارائه یک مدل پیش‌بینی شاخص کل بورس اوراق بهادار تهران با سیستم استنتاج فازی‌عصبی‌تطبیقی (ANFIS) و رگرسیون‌فازی صورت گرفته است. رفتار شاخص غیرخطی و آشوب‌گونه است که روش‌های سنتی جوابگوی پیش‌بینی دقیق نیست. از این رو، با استفاده از دو ابزار فوق الذکر و ب أکثر

این پژوهش، با هدف ارائه یک مدل پیش‌بینی شاخص کل بورس اوراق بهادار تهران با سیستم استنتاج فازی‌عصبی‌تطبیقی (ANFIS) و رگرسیون‌فازی صورت گرفته است. رفتار شاخص غیرخطی و آشوب‌گونه است که روش‌های سنتی جوابگوی پیش‌بینی دقیق نیست. از این رو، با استفاده از دو ابزار فوق الذکر و با شناسایی سه متغیر کلان اقتصادی شامل نرخ تورم، نرخ ارز و قیمت نفت خام به عنوان متغیرهای مستقل، اقدام به پیش‌بینی عدد شاخص کل بورس برای یک هفته بعد گردید. ابتدا داده‌های روزانه سالهای 1387 الی 1394 متغیرهای پژوهش جمع‌آوری و ذخیره و با استفاده از نرمال‌سازی فازی، نرمال گردید. سپس مدل‌سازی با استفاده از سه متغیر فوق‌الذکر صورت پذیرفت و با مقایسه نتایج، عملکرد بهتر ANFIS نسبت به رگرسیون فازی مشاهده گردید. معیار سنجش عملکرد، ریشه دوم میانگین مربعات خطا بود که برای خروجی ANFIS ، مقدار 021248/0 حاصل شد. حاصل پیش‌بینی یک هفته بعد، برای هر دو ابزار کاهش خطا را نشان داد و مجددا ANFIS با مقدار 007933/0 برای خطا، عملکرد برتر این پژوهش را به خود اختصاص داد و مدل با چهار ورودی نسبت به مدل با سه ورودی دقت بیشتری از خود نشان داد. تاکید بر استفاده از متغیرهای کلان اقتصادی، پیش‌بینی یک هفته آینده عدد شاخص، استفاده از دو ابزار ذکر شده، آنالیز حساسیت مدل‌ها در حین تحقیق از ویژگی های این پژوهش است. این پژوهش می‌تواند مورد استفاده کلیه شرکت‌های حاضر در بورس، سرمایه‌گذاران، کارگزاری‌ها و افراد حقیقی و حقوقی که به هر نحوی با بورس اوراق بهادار سروکار دارند، واقع گردد. تفاصيل المقالة

حرية الوصول المقاله

3 - برآورد پارامترهای فازی از طریق شبکه‌های عصبی فازی با استفاده از داده‌های ذوزنقه‌ای
راضیه نادرخانی محمد حسن بهزادی طاهره رزاق نیا رحمان فرنوش

رگرسیون فازی یک مدل رگرسیونی تعمیم یافته است که نشان دهنده ارتباط متغیرهای مستقل و وابسته در محیط فازی می‌باشد. تجزیه و تحلیل رگرسیون خطی فازی تعمیم مدل‌های رگرسیونی است که با استفاده از تمامی داده‌ها بر اساس یک معیار خاص مناسب می‌باشد. در این مقاله یک سیستم استنتاج فاز أکثر

رگرسیون فازی یک مدل رگرسیونی تعمیم یافته است که نشان دهنده ارتباط متغیرهای مستقل و وابسته در محیط فازی می‌باشد. تجزیه و تحلیل رگرسیون خطی فازی تعمیم مدل‌های رگرسیونی است که با استفاده از تمامی داده‌ها بر اساس یک معیار خاص مناسب می‌باشد. در این مقاله یک سیستم استنتاج فازی عصبی تطبیقی (انفیس)برای تجزیه و تحلیل و پیش بینی یک تابع رگرسیون فازی غیر پارامتری با ورودی‌های غیر فازی و خروجی‌های فازی ذوزنقه‌ای متقارن استفاده می‌شود. بدین منظور، یک الگوریتم جدید هیبریدی پیشنهاد می‌شود که در آن حداقل مربعات فازی و برنامه‌نویسی خطی برای بهینه‌سازی وزن‌های ثانویه مورد استفاده قرار می‌گیرند. الگوریتم‌ها به روش اعتبارسنجی چند لایه برای تأیید اعتبار مدل ها اعمال میشود. به طور دقیق‌تر، دقت الگوریتم‌ها با شبیه‌سازی ها به طورکامل تایید می‌شود. در نهایت برای بررسی کارایی مدل از دو مثال شبیه سازی استفاده شده است که در آن، داده ها به صورت اعداد ذوزنقه ای تعریف شده اند و با آموزش آنها و مشخص کردن تعداد قوانین استفاده شده، پارامترهای مجهول برآورد شده اند. تفاصيل المقالة

حرية الوصول المقاله

4 - ارزیابی مدلهای شبکه عصبی مصنوعی ایستا و پویا در پیش بینی قیمت سهام
علی اکبر نیکواقبال نادیا گندلی علیخانی اسماعیل نادری

پیشبینی آینده در عرصه پویای اقتصاد و بازارهای مالی از جمله بازار بورس به یکی از مهمترین مسائل درعلوم مالی ارتقاء یافته است. همچنین، در دههی اخیر مدلهای شبکه عصبی به علت عملکرد واقع بینانهتر اینمدلها مورد توجه محققین قرار گرفته و از انواع مختلف آنها برای پیشبینی استفاده أکثر

پیشبینی آینده در عرصه پویای اقتصاد و بازارهای مالی از جمله بازار بورس به یکی از مهمترین مسائل درعلوم مالی ارتقاء یافته است. همچنین، در دههی اخیر مدلهای شبکه عصبی به علت عملکرد واقع بینانهتر اینمدلها مورد توجه محققین قرار گرفته و از انواع مختلف آنها برای پیشبینی استفاده شده است. اکنون این سئوالمطرح است که، کدام یک از این مدلها قدرت بالاتری برای تبیین فرآیندهای آتی بورس را دارا میباشد؟ در( همین راستا، این مطالعه به مقایسه دقت عملکرد مدلهای شبکه عصبی ایستا و پویا در پیشبینی (تک متغیره 1بازدهی شاخص قیمت و بازده نقدی بورس تهران میپردازد تا امکان انتخاب الگوی بهینه برای پیشبینی متغیرمذکور را میسر نماید. دادههای مورد استفاده در این پژوهش به صورت روزانه و شامل بازهی زمانی پنجمفروردین 1388 تا سیام آبان 1390 میباشد. همچنین الگوهای مورد استفاده در این پژوهش عبارتند از؛ دو مدلو نیز یک مدل شبکهی (MFNN) و شبکه عصبی چند لایه پیشخور (ANFIS) ایستای؛ شبکهی عصبی فازیهستند. این پژوهش عملکرد مدلهای مذکور را، بر اساس معیارهای (NNARX) عصبی پویای اتورگرسیو3 مورد (RMSE) 2 و نیز معیار جذر میانگین مجذور خطا (MSE) محاسبهی خطای پیشبینی میانگین مجذور خطاارزیابی قرار داده است. تفاصيل المقالة

حرية الوصول المقاله

5 - مقایسه شبکه عصبی، سیستم فازی عصبی و مدل AR در پیش-بینی بازده اوراق بهادار و الگوریتم جستجوی موجودات همزیست با ممتیک آن در بهینه سازی پرتفوی
سیدمهدی رضایی محمود باغجری پوریا مظاهری فر

در این مطالعه، به بررسی و مقایسه عملکرد الگوریتم جستجوی موجودات همزیست و ممتیک جستجوی موجودات همزیست در بدست آوردن مرزکارا مدل میانگین نیم واریانس مقید پرداخته می شود. و همچنین سه روش AR خطی شبکه عصبی و سیستم فازی عصبی در بدست آوردن بازده مورد انتظار، مورد مقایسه قرار أکثر

در این مطالعه، به بررسی و مقایسه عملکرد الگوریتم جستجوی موجودات همزیست و ممتیک جستجوی موجودات همزیست در بدست آوردن مرزکارا مدل میانگین نیم واریانس مقید پرداخته می شود. و همچنین سه روش AR خطی شبکه عصبی و سیستم فازی عصبی در بدست آوردن بازده مورد انتظار، مورد مقایسه قرار می گیرند. در این مطالعه از 23 سهم فعال تر بازار استفاده می شود که بازده آنها از تاریخ 01/04/93 تا 01/12/95 مورد استفاده قرار گرفته است. نتایج نشان می دهد که الگوریتم ممتیک جستجوی موجودات همزیست برخلاف استفاده از زمان بیشتر، توانسته عملکرد بهتری را به نمایش بگذارد و همچنین، مقایسه روش های پیش بینی بازده مورد انتظار نشان می دهد که سیستم فازی عصبی توانسته با خطای کمتری بازده مورد انتظار را پیش بینی نماید. در نهایت، با مقایسه مرزکارای پیش بینی شده و مرزکارای واقعی، به این نتیجه می رسیم که مدل پیش بینی مورد نظر در ریسک های کمتر پیش بینی بهتری انجام داده است که در آن ناحیه می توان با اطمینان بیشتری نسبت به تخصیص دارایی ها اقدام نمود. تفاصيل المقالة

حرية الوصول المقاله

6 - Determination of water quality parameters and nutrient level with an Adaptive Neuro- Fuzzy Inference System
Maryam Hosseini Jalal Javadi moghaddam

In this research, the physico-chemical water quality parameters and the effect of climate changes onwater quality is evaluated. During the observation period (5 months) physico-chemical parameterssuch as water temperature, turbidity, saturated oxygen, dissolved oxygen, أکثر

In this research, the physico-chemical water quality parameters and the effect of climate changes onwater quality is evaluated. During the observation period (5 months) physico-chemical parameterssuch as water temperature, turbidity, saturated oxygen, dissolved oxygen, pH, chlorophyll-a, salinity,conductivity, and concentration of total nitrogen (nutrient level) as main pollutant factor have beenmeasured in Iran from September to February 2013 in the Amirkabir dam area. Moreover, anadaptive neuro fuzzy inference mechanism (ANFIS) is designed for the sake of modeling andprediction. In order to learn the proposed ANFIS mechanism a Quantum behave particle swarmoptimization (QPSO) is employed. The proposed ANFIS architecture has nine-input and one outputin which the physico -chemical parameters of water and total nitrogen have been considered as inputand output of the proposed ANFIS, respectively. In this paper to reduce the noise and measurementerrors a wavelet transform strategy is utilized. تفاصيل المقالة

حرية الوصول المقاله

7 - Adaptive Neuro Fuzzy Sliding Mode Based Genetic Algorithm Control System to Control of a pH Neutralization Process
Jalal Javadi Moghaddam Mostafa Mirzaei Masood Madani Mohammadreza Norouzi Atena Khodarahmi

In this paper, an adaptive neuro fuzzy sliding mode based genetic algorithm (ANFSGA) controlsystem is proposed for a pH neutralization system. In pH reactors, determination and control of pH isa common problem concerning chemical-based industrial processes due to the no أکثر

In this paper, an adaptive neuro fuzzy sliding mode based genetic algorithm (ANFSGA) controlsystem is proposed for a pH neutralization system. In pH reactors, determination and control of pH isa common problem concerning chemical-based industrial processes due to the non-linearity observedin the titration curve. An ANFSGA control system is designed to overcome the complexity of precisecontrol of pH. In the proposed control system the genetic algorithm is employed to do the crossoverand mutation operation in adaptive neuro fuzzy inference system (ANFIS) mechanism. In this way,on-line learning ability is employed to deal with external disturbance by adjusting the controlparameters. The control objective is to drive the system state to the original equilibrium point or totrack the set point. تفاصيل المقالة

حرية الوصول المقاله

8 - تحلیل حساسیت داده‌های هواشناسی در برآورد تبخیر و تعرق مرجع با حداقل داده‌های هواشناسی با استفاده از مدل‌های موجک- عصبی- فازی، ANN و ANFIS
احمدرضا کریمی پور گلنوش بنی طالبی

هدف از مطالعه حاضر برآورد مقدار(ET0) در اقلیم نیمه مرطوب معتدل سرد و در یک دوره آماری 22 ساله با بکارگیری مدل موجک-عصبی-فازی با حداقل تعداد پارامترهای ورودی موثر بود. به منظور بررسی کارایی این مدل نتایج با مدل شبکه عصبی و انفیس مقایسه شد. آنالیز حساسیت داده‌های ورودی به أکثر

هدف از مطالعه حاضر برآورد مقدار(ET0) در اقلیم نیمه مرطوب معتدل سرد و در یک دوره آماری 22 ساله با بکارگیری مدل موجک-عصبی-فازی با حداقل تعداد پارامترهای ورودی موثر بود. به منظور بررسی کارایی این مدل نتایج با مدل شبکه عصبی و انفیس مقایسه شد. آنالیز حساسیت داده‌های ورودی به سه روش هیل، ضریب تبیین و استات‌سافت انجام شد. آنالیز تحلیل حساسیت نشان داد که دما (T) (دمای مینیمم، ماکزیمم و میانگین)، (Rs)، (Ra)، سرعت باد در ارتفاع دو متری (U2) و (Rn) به عنوان پارامترهای اثرگذار بوده اند و ترکیب‌های مختلف این پارامترهای ورودی می‌تواند منجر به برآورد دقیق‌تر ET0 شود. بر اساس نتایج آنالیز حساسیت، شش ترکیب با پارامترهای مذکور انتخاب شد و دما در تمامی این ترکیب‌ها به عنوان متغیر ورودی به کار برده شد. با کاربرد سه پارامتر ورودی Tmin، Tmax و Rs و موجک sym8 مدل موجک-عصبی-فازی عملکرد بهتری نسبت به مدل شبکه عصبی دارد. براساس ضریب تبیین و مقدار خطای محاسبه شده برای شبکه عصبی و انفیس، ترکیب 7 پارامتر ورودی (Ra، Rn، Rs، U2 ،Tmean، Tmin و Tmax) و چهار پارامتر ورودی هواشناسی (Ra، U2، Tmean و Tmax) بیشترین دقت را در تخمین میزان ET0 در مقایسه با روش فائو پنمن مانتیث داشتند. نتایج همچنین نشان داد که بیشترین مقدار ضریب تبیین و کمترین مقدار خطا در بین موجک‌های مختلف مورد استفاده در مدل موجک-عصبی-فازی به ترتیب برای ترکیب‌های 7 و 3 پارامتر ورودی ((Tmax, Tmin, Rs بدست آمده است. تفاصيل المقالة

حرية الوصول المقاله

9 - مدل‌سازی جریان روزانه رودخانه با استفاده از فرامدل‌های شبیه‌ساز (مطالعه موردی:رودخانه گاماسیاب)
معصومه زینعلی محمدرضا گلابی محمد حسین نیک سخن محمد رضا شریفی

10.22034/jest.2020.33087.4089

زمینه و هدف: هدف در ابتدا بیان نمودن تفاوت ها و شناسایی3 مدل به نام های، برنامه ریزی بیان ژن (GEP)، شبکه عصبی فازی (ANFIS) و شبکه بیزین (BN) است و مقایسه آنها با یکدیگر و سوال اساسی تحقیق این است که ایا فرامدل شبیه ساز برتر در این مطالعه می تواند در شرایط کمبود داده أکثر

زمینه و هدف: هدف در ابتدا بیان نمودن تفاوت ها و شناسایی3 مدل به نام های، برنامه ریزی بیان ژن (GEP)، شبکه عصبی فازی (ANFIS) و شبکه بیزین (BN) است و مقایسه آنها با یکدیگر و سوال اساسی تحقیق این است که ایا فرامدل شبیه ساز برتر در این مطالعه می تواند در شرایط کمبود داده و اطلاعات، جایگزین مناسبی برای مدل های مفهومی باشد. روش بررسی: داده های مورد استفاده برای این پژوهش، داده های بارش و جریان روزانه رودخانه گاماسیاب نهاوند در یک دوره 10 ساله 1391-1381 می باشد. برای مرحله پیش بینی یا شبیه سازی از داده های سال آبی 1391-1390 استفاده شده است. یافته ها: در مرحله آموزش و با توجه به ضریب تبیین و پارامتر جذر میانگین مربعات خطا و معیار AIC، مشاهده می‌شود که در هر 3 مدل، هم در مرحله آموزش و هم در مرحله تست شاهد اختلاف بسیار اندک در مقدار این پارامتر ها هستیم و نتایج هر 3مدل تقریبا با اختلاف بسیار اندک، نزدیک به هم است و تقریبا برتری نسبی مدل GEP را می توان مشاهده کرد. بحث و نتیجه گیری: نتایج بیانگر آن است که فرامدل[1] شبیه‌ساز بیان ژن توانایی خوبی برای شبیه‌سازی و پیش بینی جریان روزانه رودخانه دارد و این فرامدل شبیه ساز، می تواند در شرایط کمبود داده و اطلاعات، جایگزین مناسبی برای مدل های مفهومی باشد. علاوه بر این سرعت اجرای مدل برنامه ریزی بیان ژن نسبت به بقیه مدل‌ها بیشتر بوده و در زمان کوتاهی قادر به ارائه نتایج بوده است. [1]- Meta Model تفاصيل المقالة

حرية الوصول المقاله

10 - تخمین TSS خروجی تصفیه‏خانه فاضلاب اهواز با استفاده از مدل‌های هوشمند
مجتبی قائدرحمتی هادی معاضد پروانه تیشه زن

10.22034/jest.2019.37718.4377

مقدمه: محدودبودن منابع آب شیرین در جهان، به خصوص در مناطق خشک و نیمه خشک مانند ایران، رویکرد استفاده مجدد از پساب های شهری را اجتناب ناپذیر ساخته است. از مهمترین شاخص های بررسی میزان آلودگی فاضلاب و مقایسه با استاندارد های مختلف جهت بازاستفاده یا تخلیه به منابع آبی TSS أکثر

مقدمه: محدودبودن منابع آب شیرین در جهان، به خصوص در مناطق خشک و نیمه خشک مانند ایران، رویکرد استفاده مجدد از پساب های شهری را اجتناب ناپذیر ساخته است. از مهمترین شاخص های بررسی میزان آلودگی فاضلاب و مقایسه با استاندارد های مختلف جهت بازاستفاده یا تخلیه به منابع آبی TSS می باشد که آزمایشی هزینه بر و زمان بر است. مطالعه حاضر در سال 1395 با هدف تخمین TSS خروجی تصفیه خانه فاضلاب اهواز با استفاده از مدل های هوشمند انجام یافته است. مواد و روش ها: با توجه به زمان بر و هزینه بر یودن آزمون TSS، در این تحقیق، توانمندی سه مدل رگرسیون خطی چندمتغیره، شبکه عصبی مصنوعی و سیستم استنتاج فازی عصبی تطبیقی جهت تخمین TSS فاضلاب خروجی از تصفیه خانه فاضلاب با استفاده از نرم افزار MATLAB و SPSS 21 بررسی شد. براین اساس ترکیبات مختلفی از پارامترهای کیفی فاضلاب، طی دوره آماری 8 ساله (1394-1387) به عنوان ورودی مدل ها در دو حالت روزانه و ماهانه مورد ارزیابی قرار گرفت. نتایج: مدل رگرسیون حداکثر ضریب تعیین(R2) برای مراحل آموزش و صحت سنجی را به ترتیب در دوره روزانه 75/0 و 67/0 و در دوره ماهانه 68/0 و 66/0 به دست آورد؛ ریشه میانگین مربعات خطا(RMSE) در این آزمون 033/0 و 025/0 در دوره روزانه و 053/0 و 053/0 در دوره ماهانه، به دست آمد. حداکثرR2 با شبکه عصبی مصنوعی به ترتیب برای مراحل آموزش و صحت سنجی در دوره روزانه 87/0 و 79/0 و در دوره ماهانه 87/0 و 85/0، و RMSE برابر 030/0 و 023/0 در دوره روزانه و 034/0 و 031/0 در دوره ماهانه، به دست آمد. نتایج بیشترین r2 را برای مدل سیستم استنتاج فازی عصبی تطبیقی نشان دادند که در دوره روزانه 91/0 و 83/0 و در دوره ماهانه 89/0 و 87/0، و مقدار RMSE برابر 026/0 و 025/0 در دوره روزانه و 031/0 و 028/0 در دوره ماهانه، به ترتیب برای مراحل آموزش و صحت سنجی بود. نتیجه گیری: براساس یافته های تحقیق هر سه مدل در تخمین مقدارTSS فاضلاب خروجی کاربرد مناسبی داشتند، اما مدل سیستم استنتاج فازی عصبی تطبیقی به دلیل برازش بهتر و خطای کم تر، مدلی مناسب تر است. تفاصيل المقالة

حرية الوصول المقاله

11 - توسعه مدل پیش بین ریسک منسجم در شرکت‌های بورسی: رویکرد داده های حسابداری
حسین آریایی نژاد آرش نادریان حسین دیده خانی علی خوزین

بورس اوراق بهادار ایران در سالهای اخیر توسعه زیادی یافته است. امروزه اهمیت پیش بینی و منافع حاصل از آن، برای تصمیم‌گیری و سیاست‌گذاری از ابعاد مختلف، به خصوص در حوزه سرمایه‌گذاری بر کسی پوشیده نیست. ریسک یکی از اولین دغدغه‌های سرمایه‌گذاران است و معیاری مهم در تصمیم‌گیر أکثر

بورس اوراق بهادار ایران در سالهای اخیر توسعه زیادی یافته است. امروزه اهمیت پیش بینی و منافع حاصل از آن، برای تصمیم‌گیری و سیاست‌گذاری از ابعاد مختلف، به خصوص در حوزه سرمایه‌گذاری بر کسی پوشیده نیست. ریسک یکی از اولین دغدغه‌های سرمایه‌گذاران است و معیاری مهم در تصمیم‌گیری‌ها محسوب می‌شود. ارزش در معرض خطر به عنوان یک سنجه ریسک، جای خود را برای اندازه گیری انواع ریسک ها باز کرده اما علی رغم کارآیی بالای این مدل به دلیل برخی نارسایی‌ها از جمله نداشتن ویژگی جمع پذیری یک سنجه منسجم ریسک نیست. ارزش در معرض خطر شرطی(CvaR) به عنوان معیار ریسک منسجم محسوب می‌شود که اخیرا مورد استقبال قرار گرفته و بعنوان ابزاری مفید برای اندازه گیری ریسک مطرح گردیده است.جهت پیش بینی ریسک تاکنون مدلهای مختلفی ارایه شده که هر یک دارای نقاط قوت و ضعفی بوده‌اند. برخی از لحاظ کمبود مبانی نظری مناسب دارای ضعف بوده و برخی دیگر علی‌رغم بهره بردن از مبانی نظری مناسب در عمل کارآیی مناسبی از خود نشان نداده اند. ارائهمدلی مناسب برای برآورد ریسک منسجم که هم به سرمایه گذاران کمک نماید و هم خطرات غیرمنتظره‌ای که ممکن است شرکت‌ها را تهدید کنند، پیش بینی نماید. در طول سالهای اخیر، به کاربرد مدلهای شبکه عصبی و مدل های ترکیبی توجه بسیاری شده است. در تحقیق حاضر یک مدل ترکیبی پیش بینی از ریسک منسجم با استفاده از سیستم استنتاج شبکه عصبی فازی (انفیس) و مبتنی بر مدلهای مارکوف سوئیچینگ و مدلهای خانواده گارچ ارائه و توسعه داده شده است. تفاصيل المقالة

حرية الوصول المقاله

12 - کاهش ارتعاشات بدنه خودرو ناشی از اغتشاش جاده با استفاده از کنترل کننده تطبیقی عصبی- فازی
سپیده حیدری امین رمضانی مجید ناصریان

در این مقاله ابتدا مدل خطی سیستم تعلیق خودرو انتخاب و شبیه سازی و داده های لازم جهت آموزش از آن استخراج می گردد. در راستای تحقق هدف سیستم تعلیق، با استفاده از روش های مرسوم یک کنترل کننده PID برای سیستم تعلیق طراحی و از آن جهت آموزش کنترل کننده تطبیقی عصبی - فازی (ANFIS أکثر

در این مقاله ابتدا مدل خطی سیستم تعلیق خودرو انتخاب و شبیه سازی و داده های لازم جهت آموزش از آن استخراج می گردد. در راستای تحقق هدف سیستم تعلیق، با استفاده از روش های مرسوم یک کنترل کننده PID برای سیستم تعلیق طراحی و از آن جهت آموزش کنترل کننده تطبیقی عصبی - فازی (ANFIS) استفاده شود. این سیستم ANFIS با استفاده از خطای خروجی کنترل کننده PID به صورت بر خط آموزش می بیند و پس از آموزش، کنترل کننده از مدار خارج و کنترل کننده تطبیقی عصبی - فازی به تنهایی کار کنترل سیستم را به عهده می گیرد. در صورت تغییر پارامترهای سیستم تحت کنترل، کنترل کننده مجدداً وارد مدار شده و شبکه با استفاده از خطای جدید بار دیگر آموزش می‌بیند. از وی&zwj;ژگی های مهم این روش عدم نیاز به مدل ریاضی اجزای سیستم نظیر عملگر، فنر و کمک فنر که همگی غیرخطی هستند و عدم نیاز به ژاکوبین سیستم می باشد. در انتهای کار نتایج عملکرد کنترل کننده (ANFIS) که با یک کنترل کننده PID آموزش می بیند با یک کنترل کننده تناسبی - مشتقی خالص مقایسه می‌شود. تفاصيل المقالة

حرية الوصول المقاله

13 - Evaluation of ANN and ANFIS Methods in Study of the Motion of a Bubble in A Combined Couette-Poiseuille Flow
Morteza Bayareh Amireh Nourbakhsh

10.30495/admt.2021.1895407.1180

The equilibrium position of a deformable bubble in a combined Couette-Poiseuille flow is investigated numerically by solving the full Navier-Stokes equations using a finite-difference/front-tracking method. The present approach is examined to predict the migration of a أکثر

The equilibrium position of a deformable bubble in a combined Couette-Poiseuille flow is investigated numerically by solving the full Navier-Stokes equations using a finite-difference/front-tracking method. The present approach is examined to predict the migration of a bubble in a combined Couette-Poiseuille flow at finite Reynolds numbers of 5, 10, and 15. The related unsteady incompressible full Navier-Stokes equations are solved using a conventional finite-difference method with a structured staggered grid. The purpose of this study is to evaluate ANN and ANFIS methods in study of the lateral migration of the bubble. Evaluation criteria of accuracy in test set derived from ANFIS demonstrates that estimated values of correlation coefficient (r), Mean Absolute Error (MAE), and Root Mean Square Error (RMSE) are 0.97, 0.001, and 0.0014, respectively. The ANN model with RMSE of 0.0007, MAE of 0.0004 and r of 0.99, is better than ANFIS model. It is also demonstrated that the bubble position estimated by the ANN and ANFIS models closely follows the one achieved from front tracking method. تفاصيل المقالة

حرية الوصول المقاله

14 - Comparative Study and Robustness Analysis of Quadrotor Control in Presence of Wind Disturbances
Reham Mohammed

Controlling of the quadrotor has been noted for its trouble as the consequence of exceeds nonlinear system, strong coupled multivariable and external disturbances. Quadrotor position and attitude is controlled by several methodologies using feedback linearization, but w أکثر

Controlling of the quadrotor has been noted for its trouble as the consequence of exceeds nonlinear system, strong coupled multivariable and external disturbances. Quadrotor position and attitude is controlled by several methodologies using feedback linearization, but when quadrotor works with unstructured inputs (e.g. wind disturbance), some limitations of this technique appear which influence flight work. Design control system with fast response, disturbance rejection, small error, and stability is the main objective of this work. So in this paper we can make use of new methods of control to design a controller of nonlinear robust with a reasonable performance to test the impact of wind disturbance in quadrotor control such as Fuzzy-PID controller and compared its results with the others four controllers which are PID tuned using GA, FOPID tuned using GA, ANN and ANFIS then discus which controller give the best results in the presence and absence of wind disturbance. The main objective of this paper is that performance of the designed control structure is computed by the fast response without overshoot and minim error of the position and attitude. Simulation results, shows that position and attitude control using FOPID has fast response and better steady state error and RMS error than Fuzzy-PID, ANFIS, ANN and PID tuned using GA without impact of wind disturbance but after impact of wind disturbance it was observed using Fuzzy-PID has fast response with minimum overshoot and better steady state error and RMS error than the other four controllers used in the paper and compared with most of literature reviews which didn't give the adequate results contrasted with the required position and attitude. The all controllers are tested by simulation under the same conditions using SIMULINK under MATLAB2015a. تفاصيل المقالة

حرية الوصول المقاله

15 - Comparison of Neural Networks and Fuzzy System for Estimation of Heat Transfer Between Contacting Surfaces
Shayan Fathi Mohammad Eftekhari Arman Adamian

Neural networks can be used in various subjects, such as the discovery of relationships, identification, system modelling, optimization and nonlinear pattern recognition. One of the interesting applications of this algorithm is heat transfer estimation between contactin أکثر

Neural networks can be used in various subjects, such as the discovery of relationships, identification, system modelling, optimization and nonlinear pattern recognition. One of the interesting applications of this algorithm is heat transfer estimation between contacting surfaces. In the current investigation, a comparison study is done for temperature transfer function estimation between contacting surfaces using Group Method of Data Handling (GMDH) neural networks and ANFIS (Adaptive Neuro Fuzzy Inference System) algorithm. Different algorithms are trained and tested by means of input–output data set taken from the experimental study and the inverse solution using the Conjugate Gradient Method (CGM) with the adjoint problem. Eventually, the optimal model has been chosen based on the common error criteria of root mean square error. According to the obtained results among different models, ANFIS with gaussmf membership function has the best algorithm for identification of TCC between two contacting surfaces with 0.1283 error. Also, the inverse method has the lowest error for thermal contact conductance estimation between fixed contacting surfaces with root mean square error of 0.211. تفاصيل المقالة

حرية الوصول المقاله

16 - Biogeography-based Optimized Adaptive Neuro-Fuzzy Control of a Nonlinear Active Suspension System
Ali Fayazi Hossein Ghayoumi Zadeh

10.52547/mjtd.11.1.43

This paper presents an optimum network structure based on a BBO tuned adaptive neuro-fuzzy inference system (ANFIS) to control an active suspension system (ASS). The unsupervised learning via Biogeography-Based Optimization (BBO) algorithm is used to train the ANFIS net أکثر

This paper presents an optimum network structure based on a BBO tuned adaptive neuro-fuzzy inference system (ANFIS) to control an active suspension system (ASS). The unsupervised learning via Biogeography-Based Optimization (BBO) algorithm is used to train the ANFIS network. The optimal proportional-integral-derivative controller tuned based on the LQR method is used to generate the training data set. ANFIS base on Fuzzy c-means (FCM) clustering algorithm is applied to approximate the relationships between the vehicle body (sprung mass) vertical input velocity and the actuator output force. BBO algorithm is used to optimize fuzzy c means clustering parameters. The numerical simulation results showed that the proposed optimized BBO-FCMANFIS based vehicle suspension system has better performance as compared with the optimal LQR-PID controller under uncertainties in both of reducing actuator energy consumption and the suppression of the vibration of the sprung mass acceleration, with a 43% and 9.5% reduction, respectively. تفاصيل المقالة

حرية الوصول المقاله

17 - مدل سازی و پهنه بندی پارامترهای کیفیت آب با استفاده از تصاویر ماهواره ای سنتینل-2 و هوش محاسباتی (مطالعه موردی: رودخانه کارون)
کاظم رنگزن مصطفی کابلی زاده محسن رشیدیان حسین دلفان

با توجه به پیشرفت های صورت گرفته در فناوری سنجش‌ازدور، جمع آوری اطلاعات از وضعیت کیفی منابع آب سطحی به وسیله این فناوری ضمن کاهش هزینه و زمان نمونه برداری های سنتی، می تواند تمامی پهنه های آب سطحی را مورد پایش قرار دهد. در این مطالعه قابلیت تصاویر ماهواره سنتینل أکثر

با توجه به پیشرفت های صورت گرفته در فناوری سنجش‌ازدور، جمع آوری اطلاعات از وضعیت کیفی منابع آب سطحی به وسیله این فناوری ضمن کاهش هزینه و زمان نمونه برداری های سنتی، می تواند تمامی پهنه های آب سطحی را مورد پایش قرار دهد. در این مطالعه قابلیت تصاویر ماهواره سنتینل-2 جهت برآورد غلظت پارامترهای اسیدیته، بیکربنات و سولفات موردبررسی قرار گرفت. ابتدا تصاویر ماهواره سنتینل-2 پیش پردازش شد و سپس باندها و شاخص های طیفی مناسبی جهت شناسایی ارتباط معنی دار میان مقادیر هر پارامتر کیفیت آب و تصاویر با استفاده از روش رگرسیون چند متغیره تعیین گردید. در مرحله بعد با به‌کارگیری دو مدل شبکه عصبی مصنوعی ANN و مدل سیستم استنتاج فازی-عصبی تطبیق یافته ANFIS، ارتباط میان تصاویر ماهواره سنتینل-2 و پارامترهای کیفیت آب به تفکیک مدل‌سازی شده و سپس دقت آن ها به ازای مقادیر واقعی محاسبه گردید. نتایج نشان داد که در مدل‌سازی پارامتر سولفات با استفاده از ماهواره سنتینل-2، مدل ANFIS به ترتیب با خطای نسبی و جذر میانگین مربعات خطا RMSe برابر 0.0773 و 0.8014 نسبت به مدل شبکه عصبی مصنوعی با خطای نسبی و RMSe برابر 0.1581 و 1.2477 دقت بالاتری دارد؛ درحالی‌که در مدل‌سازی پارامترهای اسیدیته و بیکربنات، نتایج حاصل از مدل شبکه عصبی مصنوعی با خطای نسبی به ترتیب برابر با 0.0064 و 0.0556 و RMSe برابر با 0.0702 و 0.2691 برای هر دو پارامتر بهتر از مدل سیستم استنتاج فازی-عصبی تطبیق یافته با خطای نسبی به ترتیب برابر با 0.0165 و 0.0722 و RMSe برابر با 0.1975 و 0.3307 است. درنهایت با اعمال مدل های تهیه‌شده بر روی تصاویر ماهواره ای، نقشه وضعیت کیفی هر پارامتر در طول قسمتی از رودخانه کارون تهیه گردید. تفاصيل المقالة

حرية الوصول المقاله

18 - Intelligent prediction of heating value of coal
A. K. Verma T. N. Singh M. Monjezi

The gross calorific value (GCV) or heating value of a sample of fuel is one of the important properties which defines the energy of the fuel. Many researchers have proposed empirical formulas for estimating GCV value of coal. There are some known methods like Bomb Calor أکثر

The gross calorific value (GCV) or heating value of a sample of fuel is one of the important properties which defines the energy of the fuel. Many researchers have proposed empirical formulas for estimating GCV value of coal. There are some known methods like Bomb Calorimeter for determining the GCV in the laboratory. But these methods are cumbersome, costly and time consuming. In this paper, multivariate regression analysis and Co-active neuro-fuzzy inference system (CANFIS) backed by genetic algorithm technique is used for the prediction of GCV, taking all the major constituents of the proximate and ultimate analyses properties as input parameters and the suitability of one technique over the other has been proposed based on the results. Correlations have been developed using multivariate regression analysis that are simple to use based on the proximate and ultimate analysis of data sets from 25 different states of USA because a very through study has been done and the data available is less variable. Also, CANFIS backed by genetic algorithm model is designed to predict the GCV of 4540 US coal samples from the abovementioned datasets. Optimization of the network architecture is done using a systematic approach (genetic algorithm). The network was trained with 4371, cross validation with 100, predicted with rest 69 datasets and the predicted results were compared with the observed values. The mean average percentage error in prediction is found to be negligible (0.2913%) and the generalization capability of the model was established to be excellent. A useful concept of sensitivity analysis is adopted to set the hierarchy of influence of input factors. The results of the present investigation provide functional and vital information for prediction of GCV of any type of coal in USA. تفاصيل المقالة

حرية الوصول المقاله

19 - CO-Active Neuro- Fuzzy Inference System Application in Supply Chain Sustainability Assessment Based on Economic, Social, Environmental, and Governance Pillars
Mahsa Alahyari Nazanin Pilevari

10.30495/jsm.2021.678904

The main aim of this study is proposing an assessment model for evaluating the supply chain sustainability across the automotive sector. In this study, through reviewing the sustainability indicators in the economic, social, environmental, and governance pillars, the fu أکثر

The main aim of this study is proposing an assessment model for evaluating the supply chain sustainability across the automotive sector. In this study, through reviewing the sustainability indicators in the economic, social, environmental, and governance pillars, the fuzzy Delphi is applied. Then, survey method is used to implement the model designed in CANFIS to evaluate the sustainability indicators. In this research, the proposed model was used for evaluating the sustainability in four pillars which is more inclusive than previous research. To improve the sustainability, it must be evaluated and measured so that after the improvement measures, the results are determined through measurement. According to the findings, it was concluded that the model designed in CANFIS was a reliable tool for assessing the sustainability. تفاصيل المقالة

حرية الوصول المقاله

20 - Modeling the Communication Technology Industry's Innovation Ecosystem using an Adaptive Neuro Fuzzy Inference System
Pooya Namaayande Behrouz Zarei

10.30495/jsm.2021.1942235.1534

Information and communication technology (ICT) has provided a platform for the supply of innovative products and services. Therefore, the innovation ecosystem of communication technology (CT) has more searchable aspects separated from information technology (IT). This r أکثر

Information and communication technology (ICT) has provided a platform for the supply of innovative products and services. Therefore, the innovation ecosystem of communication technology (CT) has more searchable aspects separated from information technology (IT). This research aimed to provide insights into the state-of-the-art innovation ecosystem of the communication technology industry and suggests attitudes for future research. In this article, by review of more than 40 articles and chapters about the innovation ecosystem, the analysis has utilized data-driven tools, 173 questionnaires, and 20 specialized interviews with experts. The extracted factors of the research were analyzed using SPSS and AMOS software, and the research model was analyzed using the Adaptive Neuro-Fuzzy Inference System (ANFIS) in MATLAB software. The results show that the financial and economic factor has the most impact and the national and regional factor has the least importance in the innovation ecosystem model. The financial and economic factor is significantly different from other factors in terms of degree of importance. تفاصيل المقالة

حرية الوصول المقاله

21 - Developing the Numerical method and MLP Model to simulation of flow over side weir
عباس پارسائی امیر حمزه حقی آبی شادی نجفیان

Side weir is a type of weirs that used extensively in a variety ofengineering projects such as river engineering, dam,waste water , Irrigation and drainage network. So the study on the flow characteristics on the type weir, is one of the mostimportant topics in hydrauli أکثر

Side weir is a type of weirs that used extensively in a variety ofengineering projects such as river engineering, dam,waste water , Irrigation and drainage network. So the study on the flow characteristics on the type weir, is one of the mostimportant topics in hydraulic engineering. The spatially varied flow (S.V.F)with discharge decreasing is governing equation to this type weir.Study on the hydraulic characteristics of this Structural, divided two part. One calculation of water surface profiles and twoestimate the discharge coefficient estimate. Numerical methods used to modeling water surface profiles. And for estimating of discharge coefficient the empirical equation and intelligent method proposed.In this study a numerical model (Fourth-Order Runge–Kutta Method)has been presented for solving spatially varied flow(S.V.F) and follow evaloution of empirical equation has done then to estimate of discharge coefficient the MLP model has been implement. For developting the ANFIS model,the data that poblished in journal has been used. The final result has good agreement with experimental data and can accurately simulate the flow over side weir. تفاصيل المقالة

حرية الوصول المقاله

22 - Modeling of pollutant transmission in rivers By using Finite volume method and ANFIS model
عباس پارسائی محمد مهدی احمدی کوروش قادری

Study in surface water quality is important. Rivers are one of the main sources of water supply fordrinking, agriculture and industry. Unfortunately, sometime Rivers where wastewater dischargesare considered. For this reason,the pollutant transmission in river is one of أکثر

Study in surface water quality is important. Rivers are one of the main sources of water supply fordrinking, agriculture and industry. Unfortunately, sometime Rivers where wastewater dischargesare considered. For this reason,the pollutant transmission in river is one of the most importantproblems in Environmental Engineering. the Advection Dispersion Equation (ADE) is governedon the pollutant transport in river. this equation is partial differential equation (PDE). Thisequation is used most widely in fluid engineering spatially water engineering and in generalnamed convection equation.to Preparate computer programs that can simulate the pollutanttransmission, in addition to the used numerical method to solution of the convection equation ,thecalculation of Longitudinal Dispersion coefficient (LDC) is needed. Many empirical formulas arepresented for calculating the LDC. the assessment of this equations shows that Most of theiraccuracy is not satisfactory. Thus the use of Artificial Intelligent techniques is inevitable. In thispaper, the finite volume method is used discretiz of ADE and to estimate the diffusion coefficient,adaptive neural network (ANFIS) has been developed. the result of ANFIS model shows that Theaccuracy and performance of the model in training and testing process is very suitable. After thedevelopment of an artificial intelligence model general model was developed. the result of thefinal model tested with analytical solution of ADE and observation data of the Severn River in theUK. the final result show that performance of model is suitable.Keywords: transmission of pollutant, finite volume method, Severn river تفاصيل المقالة

حرية الوصول المقاله

23 - چرخه توسعه‌ و بخش‌بندی تامین‌کننده با استفاده از سیستم استنتاج عصبی- فازی انطباقی
Mansour Esmaeilzadeh Laya Olfat Maghsoud Amiri Iman Raeesi Vanani

10.30495/imj.2023.1961109.1778

تتولیدکنندگان، بمنظور توسعه‌ی تامین‌کنندگان استراتژیک خود، آنها را بخش‌بندی می‌کنند. بخش‌بندی تامین‌کننده موجب ایجاد ارزش و هم افزایی در ارتباط با تامین‌کننده می‌شود. هدف این مقاله، ارتباط توسعه‌ی تامین‌کننده و بخش‌بندی تامین‌کننده با استفاده از سیستم استنتاج عصبی-فازی أکثر

تتولیدکنندگان، بمنظور توسعه‌ی تامین‌کنندگان استراتژیک خود، آنها را بخش‌بندی می‌کنند. بخش‌بندی تامین‌کننده موجب ایجاد ارزش و هم افزایی در ارتباط با تامین‌کننده می‌شود. هدف این مقاله، ارتباط توسعه‌ی تامین‌کننده و بخش‌بندی تامین‌کننده با استفاده از سیستم استنتاج عصبی-فازی انطباقی در صنعت خودروسازی ایران است. برای تحقق این هدف، ابتدا برای مقوله‌های توسعه‌ی تامین‌کننده، با استفاده از سه روش، سه سیستم عصبی-فازی طراحی می‌شوند. سپس با استفاده از دو روش کلاسیک و چهار الگوریتم تکاملی، آنها را بهینه‌سازی و مناسبترین سیستم عصبی-فازی انتخاب می‌شود. در مرحله بعد نمره‌ی توسعه برای 53 تامین‌کننده از تامین‌کنندگان استراتژیک صنعت خودرو در چهار مقوله‌ پیش‌بینی می‌شود، براساس نمره‌های بدست آمده، تامین‌کنندگان بخش‌بندی می‌شوند. در نهایت، فعالیتهای لازم برای توسعه‌ی هرکدام از تامین‌کنندگان پیشنهاد می‌شوند. نتایج نشان می‌دهدکه صنعت خودروسازی ایران در توسعه‌ی مقوله‌های ناملموس و محیطی، عملکرد قابل قبولی داشته اما، در توسعه-ی مقوله‌های ملموس و روابط ضعیف عمل کرده است. بر این اساس، تولیدکنندگان صنعت خودروسازی ایران، باید بترتیب اولویت‌ بکارگیری فعالیتهای مرتبط با توسعه‌ی روابط، قابلیتهای ملموس، قابلیتهای ناملموس و قابلیتهای محیطی را رعایت کنند. با توجه به اینکه در این حوزه، مطالعات اندکی صورت گرفته است، در پایان، ضمن مقایسه‌ی این مطالعه با یکی از مطالعات خارجی انجام گرفته، پیشنهاداتی برای صنعت خودروسازی ایران و همچنین پژوهشهای آینده ارائه می‌شود. تفاصيل المقالة

حرية الوصول المقاله

24 - Adaptive Inverse Control of Flexible Link Robot Using ANFIS Based on Type-2 Fuzzy
Saeed Barghandan Mohammad Esmael Akbari Hamid Ghadiri

This paper presents a novel adaptive neuro-fuzzy inference system based on interval Gaussian type-2 fuzzy sets in the antecedent part and Gaussian type-1 fuzzy sets as coefficients of linear combination of input variables in the consequent part. The capability of the pr أکثر

This paper presents a novel adaptive neuro-fuzzy inference system based on interval Gaussian type-2 fuzzy sets in the antecedent part and Gaussian type-1 fuzzy sets as coefficients of linear combination of input variables in the consequent part. The capability of the proposed ANFIS2 for function approximation and dynamical system identification is remarkable. The structure of ANFIS2 is very similar to ANFIS but in ANFIS2, a layer is added for purpose to type reduction. An adaptive learning rate based back propagation with convergence guaranteed is used for parameter learning. Finally, the proposed ANFIS2 is used to control of a flexible link robot arm. Simulation results shows the proposed ANFIS2 with Gaussian type-1 fuzzy set as coefficients of linear combination of input variables in the consequent part has good performance and high accuracy but more training time. تفاصيل المقالة

حرية الوصول المقاله

25 - Use of the Improved Frog-Leaping Algorithm in Data Clustering
Sahifeh Poor Ramezani Kalashami Seyyed Javad Seyyed Mahdavi Chabok

Clustering is one of the known techniques in the field of data mining where data with similar properties is within the set of categories. K-means algorithm is one the simplest clustering algorithms which have disadvantages sensitive to initial values of the clusters and أکثر

Clustering is one of the known techniques in the field of data mining where data with similar properties is within the set of categories. K-means algorithm is one the simplest clustering algorithms which have disadvantages sensitive to initial values of the clusters and converging to the local optimum. In recent years, several algorithms are provided based on evolutionary algorithms for clustering, but unfortunately they have shown disappointing behavior. In this study, a shuffled frog leaping algorithm (LSFLA) is proposed for clustering, where the concept of mixing and chaos is used to raise the accuracy of the algorithm. Because the use of concept of entropy in the fitness functions, we are able to raise the efficiency of the algorithm for clustering. To perform the test, the four sets of real data are used which have been compared with the algorithms K-menas, GA, PSO, CPSO. The results show better performance of this method in the clustering. تفاصيل المقالة

حرية الوصول المقاله

26 - Detection of Breast Cancer Progress Using Adaptive Nero Fuzzy Inference System and Data Mining Techniques
Hengameh Mahdavi

Prediction, diagnosis, recovery and recurrence of the breast cancer among the patients are always one of the most important challenges for explorers and scientists. Nowadays by using of the bioinformatics sciences, these challenges can be eliminated by using of the prev أکثر

Prediction, diagnosis, recovery and recurrence of the breast cancer among the patients are always one of the most important challenges for explorers and scientists. Nowadays by using of the bioinformatics sciences, these challenges can be eliminated by using of the previous information of patients records. In this paper has been used adaptive nero fuzzy inference system and data mining techniques for processing of input data and the educational combined algorithm for arranging of parameters of input functions. It has used also the downward gradient algorithm for arranging of unlined input parameters and the algorithm of the least of squares for arranging of lined output parameters. It has been used the data the institute of oncology Ljubljana of Yugoslavia that contain the information of 1090 the breast cancer patients. The results show the suggesting system has 89% accuracy in the diagnosis of progressing the breast cancer, which has improved by compared with neural network classification method. تفاصيل المقالة

حرية الوصول المقاله

27 - Sales Budget Forecasting and Revision by Adaptive Network Fuzzy Base Inference System and Optimization Methods
Kaban Koochakpour Mohammad Jafar Tarokh

The sales proceeds are the most important factors for keeping alive profitable companies. So sales and budget sales are considered as important parameters influencing all other decision variables in an organization. Therefore, poor forecasting can lead to great loses in أکثر

The sales proceeds are the most important factors for keeping alive profitable companies. So sales and budget sales are considered as important parameters influencing all other decision variables in an organization. Therefore, poor forecasting can lead to great loses in organization caused by inaccurate and non-comprehensive production and human resource planning. In this research a coherent solution has been proposed for forecasting sales besides refining and revising it continuously by ANFIS model with consideration of time series relations. The relevant data has been collected from the public and accessible annual financial reports being related to a famous Iranian company. Moreover, for more accuracy in forecasting, solution has been examined by Back Propagation neural Network (BPN) and Particle swarm Optimization (PSO). The comparison between prediction taken and real data shows that PSO can optimize some parts of prediction in contrast to the rest which is more coincident to the output of BPN analysis with more precise results relatively. تفاصيل المقالة

حرية الوصول المقاله

28 - A Back-Stepping Controller Scheme for Altitude Subsystem of Hypersonic Missile with ANFIS Algorithm
Davood Allahverdy Ahmad Fakharian

In this paper, we propose a back-stepping controller scheme for the altitude subsystem of hypersonic missile of which model is nonlinear, non-minimum phase, uncertain, and highly coupled. In the scheme, the guidance law is selected as a desired flight path angle that de أکثر

In this paper, we propose a back-stepping controller scheme for the altitude subsystem of hypersonic missile of which model is nonlinear, non-minimum phase, uncertain, and highly coupled. In the scheme, the guidance law is selected as a desired flight path angle that derived from the sliding mode control method. The back-stepping technique is designed and analyzed for the altitude dynamics of hypersonic missiles for maneuvering targets. Additionally, the algorithm of adaptive neuro-fuzzy inference system (ANFIS) is used for estimating the uncertainty of model parameters and Lyapunove theorem is used to examine the stability of closed-loop systems. The simulation indicates that the proposed scheme has shown effectiveness of the control strategy, high accuracy, stability of states, and low-amplitude control inputs in the presence of uncertainties with external disturbance. تفاصيل المقالة

حرية الوصول المقاله

29 - Fraud Detection of Credit Cards Using Neuro-fuzzy Approach Based on TLBO and PSO Algorithms
Maryam Ghodsi Mohammad Saniee Abadeh

The aim of this paper is to detect bank credit cards related frauds. The large amount of data and their similarity lead to a time consuming and low accurate separation of healthy and unhealthy samples behavior, by using traditional classifications. Therefore in this stu أکثر

The aim of this paper is to detect bank credit cards related frauds. The large amount of data and their similarity lead to a time consuming and low accurate separation of healthy and unhealthy samples behavior, by using traditional classifications. Therefore in this study, the Adaptive Neuro-Fuzzy Inference System (ANFIS) is used in order to reach a more efficient and accurate algorithm. By combining evolutionary algorithms with ANFIS, the optimal tuning of ANFIS parameters is achieved by the Teaching-Learning-Based Optimization (TLBO) and the Particle Swarm Optimization (PSO). The aim of using this approach is to improve the network performance and to reduce calculation complexities compared to gradient descent and least square methods. The proposed algorithm is implemented and evaluated on credit cards data to detect fraud. The results demonstrate superior performance of the designed scheme compared to other intelligent identification methods. تفاصيل المقالة

حرية الوصول المقاله

30 - پیش بینی بیشینه شتاب زمین برای زلزله‌های زاگرس با استفاده از شبکه انفیس و رویکرد تجزیه داده‌ها
سید محمد رضا طباطبایی روح اله کیمیایی فر علیرضا حاجیان علیرضا اکبری

اندازه گیری و یا محاسبه بیشینه شتاب ناشی از زمین لرزه (Peak Ground acceleration, PGA) به عنوان یکی از پارامترهای اساسی جنبش نیرومند زمین، از دغدغه‌‌های مهم محققین علوم زمین است. کمیت مذکور از روشهای مبتنی بر داده‌های میرایی و زلزله‌های رخ داده در محل تهیه شده و در محاسب أکثر

اندازه گیری و یا محاسبه بیشینه شتاب ناشی از زمین لرزه (Peak Ground acceleration, PGA) به عنوان یکی از پارامترهای اساسی جنبش نیرومند زمین، از دغدغه‌‌های مهم محققین علوم زمین است. کمیت مذکور از روشهای مبتنی بر داده‌های میرایی و زلزله‌های رخ داده در محل تهیه شده و در محاسبات تحلیل خطر زمین لرزه مورد استفاده واقع می‌شود. در پهنه‌های وسیع جغرافیایی و یا در شرایطی که تاسیس ایستگاههای دائمی یا موقت شبکه میسر نباشد، رویکردهای مبتنی بر یادگیری ماشین به عنوان یک راه حل جایگزین مورد استفاده قرار می‌گیرند. در راستای افزایش دقت شبکه عصبی در مسئله پیش‌بینی بیشینه شتاب زمین، با استفاده از تحلیل شناسایی داده‌های پرت یا نامتجانس، داده‌های ورودی شبکه یادگیرنده تفکیک شده و سپس فرآیند آموزش و تعمیم شبکه انجام شده است. این رویکرد باعث کاهش خطای شبکه انفیس شده، چنانچه خطای جذر میانگین مربعات 36 درصد بهبود داشته است. با استناد به نتیجه مذکور، داده‌های طول و عرض جغرافیاییِ رومرکز، عمق و بزرگای مربوط به 1571 رکورد ثبت شده در شبکه شتاب نگاری کشوری به همراه داده‌های مربوط به میانگین سرعت موج مورد استفاده قرار گرفت تا شبکه انفیس آموزش داده شود. سپس، شبکه آموزش دیده، جهت ارزیابی کارآیی روش، بر روی داده‌های زلزله مورموی، 1393، در استان ایلام تعمیم داده شد تا نقشه پهنه‌بندی مقادیر بیشبینه شتاب، در پیرامون رومرکز زلزله محاسبه گردد. بررسی خروجی‌ها نشان می‌دهد که نقشه بدست آمده با گزارش رسمی پژوهشگاه بین المللی زلزله‌شناسی و مهندسی زلزله تطابق داشته و از روش ارائه شده می‌توان به عنوان یک روش جایگزین در پیش‌بینی بیشینه شتاب ناشی از زلزله اقدام نمود. تفاصيل المقالة

حرية الوصول المقاله

31 - The Milling of Metalsthrough Adaptive Neuro-FuzzyInference System (ANFIS) for non-touch Measuring of the Temperature to Reduce Coolant
Sara Kashisaz Zahra Basiri Paknafs Ahmad Riahi

In this paper, an innovated method is used for cooling Milling zone of Stainless Steel via Adaptive Neuro-Fuzzy Inference System (ANFIS) using non-touch laser thermometer for non-touch measuring of the temperature. This method is economically appropriate because of its أکثر

In this paper, an innovated method is used for cooling Milling zone of Stainless Steel via Adaptive Neuro-Fuzzy Inference System (ANFIS) using non-touch laser thermometer for non-touch measuring of the temperature. This method is economically appropriate because of its optimization in using coolant. In comparison to the ways which were designed to optimize the ratio of coolant, this method is the best due to its intelligent, fast and trained system via ANFIS .In this method, not only the designing of the ANFIS and using the non-touch laser thermometer makes the cooling process fast but also the accuracy of the system is improved in comparison to the previous designs according to the results in different statistics criteria including MSE, NMSE, R2 and MAPE, which were calculated. تفاصيل المقالة

حرية الوصول المقاله

32 - طراحی کنترل‌کننده فازی عصبی تطبیقی برای پاندول معکوس
امینه بابری مریم ذکری سعید حسین نیا

معادلات حالت سیستم پاندول معکوس به شکل متعارف کنترل‌پذیر بوده و شامل دو تابع غیرخطی می‌باشد. از آنجائی که شبکه‌های فازی عصبی تطبیقی دارای خاصیت تقریب‌زنی عمومی می‌باشند، در این مقاله از این ویژگی برای مدلسازی توابع مذکور استفاده می‌شود. سپس بر اساس روش خطی‌سازی با فیدبک أکثر

معادلات حالت سیستم پاندول معکوس به شکل متعارف کنترل‌پذیر بوده و شامل دو تابع غیرخطی می‌باشد. از آنجائی که شبکه‌های فازی عصبی تطبیقی دارای خاصیت تقریب‌زنی عمومی می‌باشند، در این مقاله از این ویژگی برای مدلسازی توابع مذکور استفاده می‌شود. سپس بر اساس روش خطی‌سازی با فیدبک و کنترل فازی تطبیقی و با استفاده از مدل شبکه‌های فازی عصبی تطبیقی، کنترل کننده مناسب برای سیستم پاندول معکوس طراحی گردیده است. قوانین تطبیق به دست آمده از روش پایداری لیاپانوف، پایداری سیستم حلقه بسته را تضمین می‌کنند. نتایج شبیه‌سازی نشان می‌دهد که با اعمال کنترل کننده طراحی شده خروجی سیستم پاندول در حضور نامعینی مسیر مطلوب را با پاسخ گذرای مناسب تعقیب می‌نماید. تفاصيل المقالة

حرية الوصول المقاله

33 - Fuzzy Analysis of the Influence of Factors on the Integration of Telecommunication Technology Infrastructure Using ANFIS
Reza Talebi Abbas Khamseh Mohammadhassan Cheraghali

10.30495/fomj.2023.1988350.1093

The issue of integration in different industries is very important and brings many benefits at different economic and social levels. Given the size of the telecommunications industry, this industry is no exception to this rule and the integration of telecommunications i أکثر

The issue of integration in different industries is very important and brings many benefits at different economic and social levels. Given the size of the telecommunications industry, this industry is no exception to this rule and the integration of telecommunications infrastructure creates a lot of added value. But the interactions between tangible and intangible indicators have emerged by doing so, which policymakers must consider. Our goal is to study the integration of telecommunications infrastructure and study its interactions on factors identified by experts and then verified. To achieve the correct result, after collecting the opinions of industry experts, using the fuzzy Delphi method and after the steps of this method, the effective factors were examined and the basic indicators that should be considered were identified and ranked. Classified. Then, in order to determine the effect of each of the indicators on the integration of telecommunication technology infrastructure, by combining fuzzy logic and the formation of a neural network through the mathematical method of Enfis, the extent and how the effect of all factors was examined. These results are a new approach in the telecommunications industry and design an innovative model for this industry. تفاصيل المقالة

حرية الوصول المقاله

34 - Utilizing Firefly Algorithm-Optimized ANFIS for Estimating Engine Torque and Emissions Based on Fuel Use and Speed
Mahmut Dirik

10.30495/fomj.2023.1988182.1092

In this study, a method for predicting engine torque and emissions considering fuel consumption and engine speed parameters is presented. An adaptive neuro-fuzzy inference system (ANFIS) optimized with the Firefly algorithm is used. This strategy uses the global optimiz أکثر

In this study, a method for predicting engine torque and emissions considering fuel consumption and engine speed parameters is presented. An adaptive neuro-fuzzy inference system (ANFIS) optimized with the Firefly algorithm is used. This strategy uses the global optimization capabilities of the Firefly algorithm, an algorithm inspired by biological phenomena, in combination with the ability of ANFIS to describe complicated non-linear relationships between inputs and outputs. The ANFIS system was trained on a dataset containing various engine operating conditions, with the Firefly algorithm fine-tuning the model parameters to ensure optimal effectiveness. The input parameters of the model consisted of fuel quantity and engine speed, while engine torque and nitrogen oxide emissions formed the output parameters. The results obtained showed high accuracy in predicting engine torque and emissions, confirming the effectiveness of the Firefly-optimized ANFIS model. This model makes an important contribution to engine performance monitoring and emissions management. It provides a powerful tool for real-time regulation and has the potential to improve fuel efficiency while reducing environmental impact. Future research efforts should extend the applicability of this model to a wider range of engine shapes and operating conditions. تفاصيل المقالة

حرية الوصول المقاله

35 - مقایسه الگوریتم‌های هوش مصنوعی در مدل سازی جریان روزانه رودخانه
معصومه زینعلی سهیلا فرزی محمدرضا گلابی فریدون رادمنش

یکی از مهم ترین مسائل در مهندسی منابع آب، پیش‌بینی میزان دبی رودخانه‌ها، به عنوان یکی از منابع اصلی تأمین کننده آب بشر، می‌باشد که از نظر برنامه‌ریزی منابع آب دارای اهمیت است. استفاده از مدل‌های جدید در این زمینه می-تواند به مدیریت و برنامه‌ریزی صحیح کمک کند. در این مطا أکثر

یکی از مهم ترین مسائل در مهندسی منابع آب، پیش‌بینی میزان دبی رودخانه‌ها، به عنوان یکی از منابع اصلی تأمین کننده آب بشر، می‌باشد که از نظر برنامه‌ریزی منابع آب دارای اهمیت است. استفاده از مدل‌های جدید در این زمینه می-تواند به مدیریت و برنامه‌ریزی صحیح کمک کند. در این مطالعه، به ارزیابی 3 مدل به نام‌های، شبکه عصبی – فازی (ANFIS)، شبکه بیزین(BN) و ماشین بردار پشتیبان (SVM) پرداخته شده است. داده‌های مورد استفاده برای این پژوهش، داده‌های بارش و جریان روزانه رودخانه گاماسیاب نهاوند در یک دوره 10 ساله (1391-1381) می‌باشد. نتایج نشانگر این بود که مدل شبکه عصبی– فازی(ANFIS) و ماشین بردار پشتیبان(SVM) تقریبا عملکرد یکسانی در مدل-سازی جریان روزانه رودخانه داشتند و نسبت به مدل شبکه بیزین کارایی بهتری داشتند.. علاوه بر این سرعت اجرای مدل SVM نسبت به بقیه مدلها بیشتر بود و در زمان کوتاهی قادر به ارائه نتایج بود. تفاصيل المقالة

حرية الوصول المقاله

36 - پیش بینی دبی رودخانه زاینده رود در ایستگاه قلعه شاهرخ با استفاده از تکنیک های یادگیری عمیق
محمد مهرانی

دبی به مقدار آبی گفته می‌شود که از نقطه مشخصی مانند رودخانه، کانال آب، دریچه سد، لوله و یا هر سازه دیگری مثل کارتریج (مغزی) شیرآلات در واحد زمان عبور می‌کند. دبی جریان آب را در سیستم متریک بر حسب متر مکعب در ثانیه، متر مکعب در ساعت و یا لیتر در ثانیه بیان می کنند. واحد أکثر

دبی به مقدار آبی گفته می‌شود که از نقطه مشخصی مانند رودخانه، کانال آب، دریچه سد، لوله و یا هر سازه دیگری مثل کارتریج (مغزی) شیرآلات در واحد زمان عبور می‌کند. دبی جریان آب را در سیستم متریک بر حسب متر مکعب در ثانیه، متر مکعب در ساعت و یا لیتر در ثانیه بیان می کنند. واحد مترمکعب در ثانیه برای دبی های زیاد مثل رودخانه و کانال های بزرگ و واحد لیتر در ثانیه برای جریان های آب چاه ها و آبی که وارد نشتی ها می شود، بکار می رود. اندازه گیری دبی رودخانه دارای تاثیرات زیادی در زندگی انسانها می باشد. اطلاع از میزان ورود آب به مناطق مربوط به حوضه آبریز یک رودخانه دارای اهمیت زیادی در حوزه های کشاورزی، خطرات بالقوه بر زندگی انسان و حیوانات، صنایع و غیره می باشد. لذا پیش بینی دبی رودخانه می تواند باعث مدیریت مؤثر و جلوگیری از لطمات جدی در حوزه های مذکور گردد. با توجه به موارد مذکور هدف ایده ی مطرح شده در این مقاله پیش بینی دبی رودخانه با استفاده از تکنیک های یادگیری عمیق می باشد. جهت انجام این کار، دبی رودخانه زاینده رود در ایستگاه قلعه شاهرخ با استفاده از دو تکنیک‌ ANFIS و LSTM مورد بررسی و پیش بینی قرار گرفته است. نتایج شبیه‌سازی نشان‌دهندۀ 93 درصد الی 94 درصد دقت در پیش بینی دبی رودخانه مورد مطالعه می‌باشد. تفاصيل المقالة

حرية الوصول المقاله

37 - Applying Adaptive Network-based fuzzy Inference System to Predict Travel Time in Highways for Intelligent Transportation Systems
Rouhollah Maghsoudi Behzad Moshiri

Travel time is a good criterion in analyzing transportation systems. There are two ways to calculate travel time: direct measurement, and prediction. Several classic statistical ways have been used to predict travel time, but when non linear nature is focused, developin أکثر

Travel time is a good criterion in analyzing transportation systems. There are two ways to calculate travel time: direct measurement, and prediction. Several classic statistical ways have been used to predict travel time, but when non linear nature is focused, developing a proper model with multiple linear will be a failure. This means that when data have a nonlinear inherent, using of linear methods such as some statistics methods will not be benefit and will not generate appropriate results. Meanwhile, ANN and ANFIS are nonlinear tools. Intelligent systems approaches such as artificial neural networks (ANN) and recently neuro-fuzzy have successfully appeared in prediction. In most applications of ANN, multilayer perceptron (MLP) is applied which is trained by the algorithm of back propagation error. The main problem of this approach is that it is hard to interpret the knowledge in the trained networks. Applying neuro-fuzzy approach, information saved in trained networks will be defined within a fuzzy data base. The aim of present research is to offer a strong neuro-fuzzy network and apply it to predict travel time and compare its results with methods like ANN and AIMSUN. Our results indicate that means for neuro-fuzzy prediction remarkably decrease the error criteria of predicted travel time. This research proves the possibility of applying Anfis in predicting travel time, and reveals that it can make very successful analysis on traffic data. To study credibility of prediction results, AIMSUN was applied and freeway travel time was studied and calculated by simulation. تفاصيل المقالة

حرية الوصول المقاله

38 - Voting Algorithm Based on Adaptive Neuro Fuzzy Inference System for Fault Tolerant Systems
Masoumeh Pourhasan Abbas Karimi

some applications are critical and must designed Fault Tolerant System. Usually Voting Algorithm is one of the principle elements of a Fault Tolerant System. Two kinds of voting algorithm are used in most applications, they are majority voting algorithm and weighted ave أکثر

some applications are critical and must designed Fault Tolerant System. Usually Voting Algorithm is one of the principle elements of a Fault Tolerant System. Two kinds of voting algorithm are used in most applications, they are majority voting algorithm and weighted average algorithm these algorithms have some problems. Majority confronts with the problem of threshold limits and voter of weighted average are not able to produce safe outputs when obtaining a correct output is impossible and also both of them are not able to perform appropriately in small error limit. In the present paper, delivering a voter for safety system, Adaptive Neuro-Fuzzy Inference System (ANFIS) is proposed. The above mentioned model is trained through Hybrid learning algorithm that is effective and using basic Fuzzy inference system, subtractive clustering and fuzzy C-means method. Results show that delivered voter produced more safety outputs especially for small error amplitude.Keywords: ANFIS, Adaptive Neuro-Fuzzy Inference System, Voting Algorithm, Fault Tolerant Systems, Safety-Critical Systems. تفاصيل المقالة

حرية الوصول المقاله

39 - A Low Complexity ANFIS Approach for Premature Ventricular Contraction Detection Based on Backward Elimination
Zahra Sadeghi Hamid Jazayeriy Soheil Fateri

Premature ventricular contraction (PVC) is one of the common cardiac arrhythmias. The occurrence of PVC is dangerous in people who have recently undergone heart. A PVC beat can easily be diagnosed by a doctor based on the shape of the electrocardiogram signal. But in au أکثر

Premature ventricular contraction (PVC) is one of the common cardiac arrhythmias. The occurrence of PVC is dangerous in people who have recently undergone heart. A PVC beat can easily be diagnosed by a doctor based on the shape of the electrocardiogram signal. But in automatic detection, extracting several important features from each beat is required. In this paper, a method for automatic detection of PVC using adaptive neuro-fuzzy inference systems (ANFIS) is presented. In the proposed model first feature selection has been done using backward elimination algorithm, and then an ANFIS has been trained with selected attributes. The performance of the proposed method has been compared with two other methods. Simulation results show that the proposed algorithm, in addition to maintaining the classification accuracy compared to existing methods uses fewer features and requires less computing time, which is suitable for implementation on hardware with limited processing capability. تفاصيل المقالة

حرية الوصول المقاله

40 - Vacation model for Markov machine repair problem with two heterogeneous unreliable servers and threshold recovery
Madhu Jain Rakesh Kumar Meena

Markov model of multi-component machining system comprising two unreliable heterogeneous servers and mixed type of standby support has been studied. The repair job of broken down machines is done on the basis of bi-level threshold policy for the activation of the server أکثر

Markov model of multi-component machining system comprising two unreliable heterogeneous servers and mixed type of standby support has been studied. The repair job of broken down machines is done on the basis of bi-level threshold policy for the activation of the servers. The server returns back to render repair job when the pre-specified workload of failed machines is build up. The first (second) repairman turns on only when the work load of N1(N2) failed machines is accumulated in the system. The both servers may go for vacation in case when all the machines are in good condition and there are no pending repair jobs for the repairmen. Runge–Kutta method is implemented to solve the set of governing equations used to formulate the Markov model. Various system metrics including the mean queue length, machine availability, throughput, etc., are derived to determine the performance of the machining system. To provide the computational tractability of the present investigation, a numerical illustration is provided. A cost function is also constructed to determine the optimal repair rate of the server by minimizing the expected cost incurredon the system. The hybrid soft computing method is considered to develop the adaptive neuro-fuzzy inference system (ANFIS). The validation of the numerical results obtained by Runge–Kutta approach is also facilitated by computational results generated by ANFIS. تفاصيل المقالة

حرية الوصول المقاله

41 - Real-time quality monitoring in debutanizer column with regression tree and ANFIS
Kumar Siddharth Amey Pathak Ajaya Kumar Pani

A debutanizer column is an integral part of any petroleum refinery. Online composition monitoring of debutanizer column outlet streams is highly desirable in order to maximize the production of liquefied petroleum gas. In this article, data-driven models for debutanizer أکثر

A debutanizer column is an integral part of any petroleum refinery. Online composition monitoring of debutanizer column outlet streams is highly desirable in order to maximize the production of liquefied petroleum gas. In this article, data-driven models for debutanizer column are developed for real-time composition monitoring. The dataset used has seven process variables as inputs and the output is the butane concentration in the debutanizer column bottom product. The input–output dataset is divided equally into a training (calibration) set and a validation (testing) set. The training set data were used to develop fuzzy inference, adaptive neuro fuzzy (ANFIS) and regression tree models for the debutanizer column. The accuracy of the developed models were evaluated by simulation of the models with the validation dataset. It is observed that the ANFIS model has better estimation accuracy than other models developed in this work and many data-driven models proposed so far in the literature for the debutanizer column. تفاصيل المقالة

حرية الوصول المقاله

42 - Long-term Streamflow Forecasting by Adaptive Neuro-Fuzzy Inference System Using K-fold Cross-validation: (Case Study: Taleghan Basin, Iran)
Reza Esmaeelzadeh Alireza Borhani Dariane

Streamflow forecasting has an important role in water resource management (e.g. flood control, drought management, reservoir design, etc.). In this paper, the application of Adaptive Neuro Fuzzy Inference System (ANFIS) is used for long-term streamflow forecasting (mont أکثر

Streamflow forecasting has an important role in water resource management (e.g. flood control, drought management, reservoir design, etc.). In this paper, the application of Adaptive Neuro Fuzzy Inference System (ANFIS) is used for long-term streamflow forecasting (monthly, seasonal) and moreover, cross-validation method (K-fold) is investigated to evaluate test-training data in the model.Then, the results are compared with those of the typical validation method (i.e., using 75% of data for training and the remaining 25% for testing the validity of the trained model). Study area is Taleghan basin located in northwestern Tehran basin, Iran. The data used in this research consists of 19 years of monthly streamflow, precipitation and temperature records. To apply temperature and precipitation data in the model, the whole basin was divided into sub-basins and average values of each parameter for each sub-basin were allocated as model input. Finally, results were compared with those of the ANN model. It was found that the K-fold validation method leads to better performance than the typical method in terms of statistical indices. In addition, the results indicated the superiority of ANFIS model over ANN model in long-term forecasting. تفاصيل المقالة

حرية الوصول المقاله

43 - Real-Time CANFIS and ANFIS Based Pacemaker Controller Design and Analysis
Asghar Dabiri Aghdam Nader Dabanloo Fereidoun Nooshiravan Keivan Maghooli

This paper describes ANFIS introduced by R. Jang et al. ANFIS actually is an offline method in fuzzy control systems. First, a fuzzy file called FIS (Fuzzy Inference System) is designed that relates the input and output of the system by membership functions that are opt أکثر

This paper describes ANFIS introduced by R. Jang et al. ANFIS actually is an offline method in fuzzy control systems. First, a fuzzy file called FIS (Fuzzy Inference System) is designed that relates the input and output of the system by membership functions that are optimized during the learning process. Input and output learning data are given to the ANFIS (MATLAB command line or ANFSI utility) and the output file is used to test or predict new input data. We can then construct a SIMULINK file to simulate the control system. This simulation is not real-time and if the environmental or input conditions are changed, the output will be altered because the FIS file is fixed and not adapted to input variations. The library of online ANFIS and CANFIS introduced does not have that problem and easily learns the online training data and then can mitigate the output in real-time. To avoid the unsuitable patient data itself as training data, we should use a healthy person ECG (heart rate) data in memory to train our fuzzy system and then switch the input data from healthy data to the patient original heart rate as input data. If the heartbeat falls below (60 bpm that is called Bradycardia) or exceeds (100bpm that is called Tachycardia) from a predetermined value. The online controller will switch the controller to healthy data and will stimulate heart muscles at a right beat rate (70-75 bpm). To distinguish tachycardia from body natural states like running, practicing, walking, sleeping and resting, MEMS accelerometer and in some situations, gyros are used. The Bode diagram stability shows gain and phase margin as follows: GM (dB)= 42.1 and PM (deg) = 100. FIS file is saved after an acceptable rms error (0.38). The simulation results of unity step input response (Rise time, settling time, overshoot) will be demonstrated in chapter 4. The overshoot was less than 2 percent and rise time of 2 seconds with settling time of less than 2 seconds. The parameters have been shown for 60 and 72 and 85 bpm. تفاصيل المقالة

حرية الوصول المقاله

44 - Using ANFIS as Indicator in the Networks Containing SVC and STATCOM for Voltage Collapse Phenomena
نعمت طالبی منصور شیخان

This paper focuses on using an ANFIS indicator for it’s proximity to collapse point with emphsizing on application of two Flexible AC Transmission System (FACTS) devices’ namely, Static Var Compensator (SVC) and Static Compensator (STATCOM), In order to stud أکثر

This paper focuses on using an ANFIS indicator for it’s proximity to collapse point with emphsizing on application of two Flexible AC Transmission System (FACTS) devices’ namely, Static Var Compensator (SVC) and Static Compensator (STATCOM), In order to study the effects on voltage collapse phenomena in power systems. Based on system results at the point of collapse ‘Application of these devices loadability or increase could increase loadability margin to collapse point. Also,ANFIS as an indicator for proximity to collapse point has been applied succesfuly. The IEEE 14 bus test system is used to illustrate the effects of FACTS devices on voltage collapse phenomena and applying of ANFIS as an indicator for proximity index simulations. تفاصيل المقالة

حرية الوصول المقاله

45 - A Flexible Link Radar Control Based on Type-2 Fuzzy Systems
Sajad Rahmati Heshmat Asadi

An adaptive neuro fuzzy inference system based on interval Gaussian type-2 fuzzy sets in the antecedent part and Gaussian type-1 fuzzy sets as coefficients of linear combination of input variables in the consequent part is presented in this paper. The capability of the أکثر

An adaptive neuro fuzzy inference system based on interval Gaussian type-2 fuzzy sets in the antecedent part and Gaussian type-1 fuzzy sets as coefficients of linear combination of input variables in the consequent part is presented in this paper. The capability of the proposed method (we named ANFIS2) for function approximation and dynamical system identification is remarkable. The structure of ANFIS2 is very similar to ANFIS but in ANFIS2 a layer is added for purpose to type reduction. An adaptive learning rate based backpropagation with convergence guaranteed is used for parameter learning. Finally the proposed ANFIS2 are used to control of a flexible link robot arm that can be used in radar. Simulation results shows the proposed ANFIS2 with Gaussian type-1 fuzzy set as coefficients of linear combination of input variables in the consequent part has good performance and high accuracy but more training time, so radar system can be controlled very well. تفاصيل المقالة

حرية الوصول المقاله

46 - Decreasing Starting Current for Separate Excited DC Motor using ANFIS Controller
Saber Ghadri Shahram Javadi Fardad Farokhi

Today, DC motors is still being used globally due to their easy speed controllability. In this article, an Adaptive Neuro-Fuzzy Inference System (ANFIS) controller is designed for DC motors. The main purpose of performing such task is to reduce the DC motor starting cur أکثر

Today, DC motors is still being used globally due to their easy speed controllability. In this article, an Adaptive Neuro-Fuzzy Inference System (ANFIS) controller is designed for DC motors. The main purpose of performing such task is to reduce the DC motor starting current and deleting the ripple current during starting time in considering control parameters such as: rise time, settling time, maximum overshoot and system steady state error. The results have been simulated in MATLAB and a comparison is made between ANFIS controller and PID controller تفاصيل المقالة

حرية الوصول المقاله

47 - The Forecasting of Iran Natural Gas Consumption Based On Neural-Fuzzy System Until 2020
Mahdieh Qanbari Shahram Javadi Reza Sabbaghi-Nadooshan

In this paper, an Adaptive-Network-based Fuzzy Inference System (ANFIS) is used for forecasting of natural gas consumption. It is clear that natural gas consumption prediction for future, surly can help Statesmen to decide more certain. There are many variables which ef أکثر

In this paper, an Adaptive-Network-based Fuzzy Inference System (ANFIS) is used for forecasting of natural gas consumption. It is clear that natural gas consumption prediction for future, surly can help Statesmen to decide more certain. There are many variables which effect on gas consumption but two variables that named Gross Domestic Product (GDP) and population, are selected as two input variables. The input variables data and output variable (gas consumption) data are collected in years 1993 till 2012. Pre-process is done on the primary data to obtain better results then finally our outputs are post-processed. In this paper, many fuzzy models are applied and the results and error of every model are investigated. All ANFIS outputs are compared with real output by considering Mean Absolute Percentage Error (MAPE). The best model, which has the lowest MAPE, is chosen for forecasting gas consumption. In this paper, the values of gas consumption are forecasted from 2013 to 2020 تفاصيل المقالة

حرية الوصول المقاله

48 - تدوین مدلی برای ارزیابی عملکرد مالی دانشگاه با مقایسه روش‌های ANFIS، ANFIS-GA و ANFIS-PSO
رضا عبداله زاده فرزین مدرس خیابانی سلیمان ایرنزاده

در طی دهه‌های گذشته، تعداد دانشگاه‌ها از نظر کمی رشد زیادی کرده‌اند، ولی بسیاری از آنها از نظر منابع مالی در محدودیت قرار دارند. در این بین ارزیابی‌ عملکرد مالی می‌تواند مدیران دانشگاه‌ها را از طریق شناخت وضعیت مالی، در تصمیم‌گیری مناسب پشتیبانی نماید. بر همین اساس هدف أکثر

در طی دهه‌های گذشته، تعداد دانشگاه‌ها از نظر کمی رشد زیادی کرده‌اند، ولی بسیاری از آنها از نظر منابع مالی در محدودیت قرار دارند. در این بین ارزیابی‌ عملکرد مالی می‌تواند مدیران دانشگاه‌ها را از طریق شناخت وضعیت مالی، در تصمیم‌گیری مناسب پشتیبانی نماید. بر همین اساس هدف این تحقیق تدوین مدلی برای ارزیابی عملکرد مالی دانشگاه بوده است. این تحقیق از نظر هدف تحقیق کاربردی- توسعه‌ای و از نظر روش انجام پژوهش توصیفی بوده که به صورت مقطعی انجام شده است. جامعه آماری این تحقیق کلیه واحدهای دانشگاه آزاد اسلامی در سراسر کشور بوده است. حجم نمونه آماری بر اساس جدول مورگان 214 واحد دانشگاه آزاد اسلامی انتخاب شده است. برای گردآوری داده‌ها از پرسشنامه روش دلفی و اسناد و مدارک موجود دانشگاه استفاده شده است. به منظور تجزیه و تحلیل داده‌های تحقیق از روش‌های دلفی و سیستم عصبی- فازی تطبیقی(ANFIS)، سیستم عصبی- فازی تطبیقی ترکیب شده با الگوریتم ژنتیک(ANFIS-GA) و سیستم عصبی- فازی تطبیقی ترکیب شده با الگوریتم ازدحام ذرات(ANFIS-PSO) استفاده شده است. نتایج تحقیق نشان می‌دهد که در بین سیستم‌های طراحی شده، سیستم عصبی- فازی تطبیقی ترکیب شده با الگوریتم ازدحام ذرات قادر است با کمترین میزان خطا، عملکرد مالی دانشگاه را ارزیابی نماید. تفاصيل المقالة

حرية الوصول المقاله

49 - پیش‌بینی قیمت سهام در بورس اوراق بهادار با استفاده از مدل ترکیبی مبتنی بر شبکه عصبی بازگشتی و سیستم استنتاج عصبی فازی سازگار و سیستم خبره فازی
مصطفی یوسفی طزرجان اعظم دخت صفی صمغ آبادی عزیزاله معماریانی

پیش‌بینی قیمت سهام در بورس اوراق بهادار موضوعی چالش برانگیز و جذاب است. سرمایه گذاران علاقه مندند که بتوانند سود سهام مختلف را در بازارهای مالی پیش‌بینی کنند. در این مقاله مدل ترکیبی ارائه شده است که در آن ابتدا قیمت پایانی سهام برای روز بعد بر مبنای الگوریتم سیستم استن أکثر

پیش‌بینی قیمت سهام در بورس اوراق بهادار موضوعی چالش برانگیز و جذاب است. سرمایه گذاران علاقه مندند که بتوانند سود سهام مختلف را در بازارهای مالی پیش‌بینی کنند. در این مقاله مدل ترکیبی ارائه شده است که در آن ابتدا قیمت پایانی سهام برای روز بعد بر مبنای الگوریتم سیستم استنتاج عصبی فازی سازگار (ANFIS) و شبکه عصبی بازگشتی (RNN) با استفاده از داده‌های تاریخی و شاخص‌های اندیکاتور پیش‌بینی می‌شود. سپس نتایج به همراه وضعیت شایعات بازار به سیستم خبره فازی وارد می‌شود و پیش‌بینی را بر مبنای خروجی سیستم عصبی فازی و شبکه عصبی بازگشتی به همراه وضعیت شایعات بازار، نهایی می‌کند. مدل ترکیبی ارائه شده برای پیش‌بینی قیمت داده‌های سهام شرکت فولاد مبارکه اصفهان اجرا شد. در این مطالعه برای داده‌های تحقیق از داده‌های شرکت بورس اوراق بهادار تهران مربوط به داده‌های سهام شرکت فولاد مبارکه اصفهان از 5 فروردین 1395 لغایت 29 اسفند 1398 استفاده شده است. چهار شاخص فنی در این مطالعه مورد استفاده قرار گرفته است که عبارتند از: میانگین متحرک(MA)، میانگین متحرک نمایی(EMA)، اندیکاتور قدرت نسبی(RSI)، اندیکاتور میانگین متحرک همگرایی واگرایی(MACD). از این متغیرها به عنوان ورودی سیستم عصبی فازی برای پیش‌بینی قیمت پایانی روز بعد سهام شرکت فولاد مبارکه اصفهان استفاده شده است. تفاصيل المقالة

حرية الوصول المقاله

50 - ارائه مدل پرتفوی بهینه از طریق مدل پیش بینی شاخص بازار و با وجود حافظه بلندمدت با استفاده از شبکه عصبی
سعید مشتاق فرهاد حسین زاده لطفی اسمعیل فدایی نژاد

تأثیر متغیرهای اقتصادی بر بازارهای سرمایه مهم‌ترین موضوع تئوری مالی است. بورس اوراق بهادار از جایگاه خاصی در سیستم مالی کشور ما برخوردار بوده است و کارآمدی و توسعه بازار سرمایه در گرو فعال بودن این نهاد درکشور است. دو کارکرد مهم بورس اوراق بهادار را می‌توان جمع‌آوری پس‌ أکثر

تأثیر متغیرهای اقتصادی بر بازارهای سرمایه مهم‌ترین موضوع تئوری مالی است. بورس اوراق بهادار از جایگاه خاصی در سیستم مالی کشور ما برخوردار بوده است و کارآمدی و توسعه بازار سرمایه در گرو فعال بودن این نهاد درکشور است. دو کارکرد مهم بورس اوراق بهادار را می‌توان جمع‌آوری پس‌اندازهای اندک و نقدینگی موجود در سطح جامعه و هدایت آن‌ها به سمت فرآیند تولید کالا و خدمات در‌کشور ذکر کرد. در این راستا ارائه مدل پرتفوی بهینه از طریق مدل پیش‌بینی تغییرات شاخص بورس از طریق تغییرات نرخ بازده ارز بسیار کارساز خواهد بود. یکی از ابزارهای با دقت بالا و کاربردی برای پیش‌بینی استفاده از شبکه‌های عصبی بوده است چراکه میزان دقت آنها با افزایش داده‌های تحقیق کاهش نمی‌یابد و دقت آن نیز از توابع خطی و غیر‌خطی و رگرسیونی برای پیش‌بینی خیلی زیادتر بوده است. پس از تست‌های مختلف از طریق شبکه‌های عصبی مصنوعی(ANN)، سیستم‌های استنتاج فازی-عصبی تطبیقی(ANFIS) و رگرسیون بردار پشتیبان (SVR) با استفاده نرم افزار متلب انجام گردیده بود، توانستیم مدلی با دقت بالا جهت پیش‌بینی میزان تغییرات شاخص بازده کل و شاخص بازده نقدی از طریق تغییرات قیمت دلار طراحی نماییم. که از طریق این مدل، مدل پرتفوی بهینه به صورت آرمانی طراحی نمودیم. تفاصيل المقالة

حرية الوصول المقاله

51 - رویکرد سیستم استنتاج عصبی فازی انطباقی (ANFIS) و راهبرد های ماتریس شبکه (GA) در بهینه سازی پورتفوی سرمایه گذاری در بورس اوراق بهادار تهران و فرابورس ایران
علی شیدایی نرمیقی فریدون رهنمای رودپشتی رضا رادفر

بهینه‌سازی سبد سرمایه‌گذاری فرآیندی است که طی آن سرمایه‌گذار به دنبال بیشینه کردن بازده سرمایه یا کمینه کردن ریسک است. یکی از موضوعات اصلی مشخص کردن روش بهینه سازی است که به تشکیل سبد سرمایه گذاری بهینه یعنی حداقل نمودن ریسک سرمایه گذاری و حداکثر کردن سود سرمایه گذاری م أکثر

بهینه‌سازی سبد سرمایه‌گذاری فرآیندی است که طی آن سرمایه‌گذار به دنبال بیشینه کردن بازده سرمایه یا کمینه کردن ریسک است. یکی از موضوعات اصلی مشخص کردن روش بهینه سازی است که به تشکیل سبد سرمایه گذاری بهینه یعنی حداقل نمودن ریسک سرمایه گذاری و حداکثر کردن سود سرمایه گذاری می باشد. هدف پژوهش حاضر بررسی قابلیت سیستم استنتاج عصبی فازی انطباقی (ANFIS) و راهبردهای ماتریس شبکه (GA) در انتخاب و بهینه سازی سبد سرمایه گذاری از بین شرکت های بورس اوراق بهادار تهران و فرابورس ایران انتخاب شده است. گروه بندی سهام بوسیله ماتریس شبکه و دسته بندی شرکت ها براساس ارزش بازار آنها و استفاده از قانون چارک ها و در نهایت وزن دهی آنها متناسب با بازدهی پیش بینی ماه آینده آن سهم در نظرگرفته می شود. همچنین نسبت به طراحی و ارائه یک مدل بهینه سازی سبد سرمایه گذاری سهام با استفاده از سیستم استنتاج عصبی فازی انطباقی و ترکیب آن با الگوریتم ژنتیک پرداخته شده است که در آن از سه دسته مختلف متغیرهای سری زمانی ، فنی و بنیادی به ‌عنوان ورودی‌های مدل استفاده می‌شود. خروجی‌های تحقیق نشان می دهد این سیستم‌ها از توانایی لازم برای بهینه سازی سبد سرمایه گذاری سهام برخوردار می‌باشند. تفاصيل المقالة

حرية الوصول المقاله

52 - ارائه مدلی جهت پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از سیستم استنتاج فازی عصبی انطباق پذیر (ANFIS)
حمیدرضا وکیلی فرد نازنین پیله وری سیده سمانه زیدی

یکی از مهم¬ترین تهدیدات اقتصاد ملی، ورشکستگی شرکت¬ها است. ارزیابی ورشکستگی، اطلاعات ارزشمندی را فراهم می¬نماید که به واسطه آن، دولت¬ها، سرمایه¬گذاران و سهامداران می¬توانند تصمیم-گیری¬های مالی خود را به منظور جلوگیری از ضرر و زیان¬های احتم أکثر

یکی از مهم¬ترین تهدیدات اقتصاد ملی، ورشکستگی شرکت¬ها است. ارزیابی ورشکستگی، اطلاعات ارزشمندی را فراهم می¬نماید که به واسطه آن، دولت¬ها، سرمایه¬گذاران و سهامداران می¬توانند تصمیم-گیری¬های مالی خود را به منظور جلوگیری از ضرر و زیان¬های احتمالی پایه¬گذاری کنند. هدف از این تحقیق، ارائه مدلی جهت پیش¬بینی ورشکستگی با استفاده از سیستم استنتاج فازی عصبی انطباق¬پذیر (ANFIS) است. جامعه آماری برای انجام تحقیق، شرکت¬های پذیرفته شده در بورس اوراق بهادار تهران در دوره زمانی 1380 تا 1389 است که با توجه به ماده 141 قانون تجارت، شامل 40 شرکت ورشکسته و 40 شرکت غیر¬ورشکسته می¬باشد. این شرکت¬ها به طور تصادفی به سه مجموعه تقسیم شدند: مجموعه آموزش جهت طراحی مدل، مجموعه آزمایش و مجموعه وارسی جهت اعتبارسنجی مدل. نسبت¬های مالی این شرکت¬ها در سال قبل از ورشکستگی به عنوان متغیرهای ورودی ANFIS درنظر گرفته شد. مدل طراحی شده ورشکستگی را با دقت 83.75 درصد یک سال پیش از وقوع آن پیش¬بینی نمود. بنابراین می¬توان نتیجه گرفت که ANFIS ابزاری مناسب برای پیش¬بینی درماندگی مالی شرکت¬های پذیرفته شده در بورس اوراق بهادار تهران است. تفاصيل المقالة

حرية الوصول المقاله

53 - پیش‌بینی درماندگی مالی با استفاده از روش ترکیبی PCA-ANFIS و الگوریتم فراابتکاری بهینه‌سازی ازدحام کبوتر
سینا خردیار محمد حسن قلیزاده فروغ لطفی

در پژوهش حاضر یک سیستم استنتاج فازی عصبی انطباق‌پذیر (ANFIS) مبتنی بر تحلیل مولفه‌های اصلی (PCA) جهت پیش‌بینی درماندگی مالی شرکت‌ها پیشنهاد شده‌است. این سیستم نه تنها توانایی سازگاری و یادگیری را دارد، بلکه خطا را نیز کاهش می‌دهد؛ زیرا از پارامترهای اضافی هنگامی که متغی أکثر

در پژوهش حاضر یک سیستم استنتاج فازی عصبی انطباق‌پذیر (ANFIS) مبتنی بر تحلیل مولفه‌های اصلی (PCA) جهت پیش‌بینی درماندگی مالی شرکت‌ها پیشنهاد شده‌است. این سیستم نه تنها توانایی سازگاری و یادگیری را دارد، بلکه خطا را نیز کاهش می‌دهد؛ زیرا از پارامترهای اضافی هنگامی که متغیرهای ورودی بیش از حد هستند، اجتناب می‌کند. برای تأیید اثربخشی این مدل، تعداد 181 شرکت پذیرفته شده در بورس اوراق بهادار تهران (905 شرکت-سال) با استفاده از نمونه‌ای سیستماتیک در دوره زمانی 1390 تا 1394 انتخاب شدند که از این تعداد، 58 شرکت-سال درمانده مالی و تعداد 847 شرکت-سال سالم بودند. این شرکت‌ها به طور تصادفی به دو مجموعه تقسیم شدند: مجموعه آموزش جهت طراحی مدل و مجموعه وارسی جهت اعتبارسنجی مدل. نتایج حاصل از پژوهش نشان می‌دهد سیستم استنتاج فازی عصبی انطباق‌پذیر (ANFIS) مبتنی بر تحلیل مولفه‌های اصلی (PCA) قابلیت پیش‌بینی وقوع درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران را دارد و زمانیکه مدل پیشنهادی با الگوریتم فراابتکاری ازدحام کبوتر ترکیب می‌گردد با کاهش مقدار خطا دقت مدل افزایش می‌یابد. بنابراین مشاهده می‌شود که استفاده از یک الگوریتم مکمل می‌تواند دقت پیش‌بینی مدل PCA-ANFIS را افزایش دهد. تفاصيل المقالة

حرية الوصول المقاله

54 - Improving the Performance of Adaptive Neural Fuzzy Inference System (ANFIS) Using a New Meta-Heuristic Algorithm
Mehdi Khadem Abbas Toloie Eshlaghy Kiamars Fathi hafshejani

10.30495/ijm2c.2023.1955549.1251

The adaptive fuzzy neural inference system (ANFIS) is an efficient estimation model not only among fuzzy neural systems but also among other types of machine learning techniques. Despite its acceptance among researchers, ANFIS cited limitations such as inefficiencies in أکثر

The adaptive fuzzy neural inference system (ANFIS) is an efficient estimation model not only among fuzzy neural systems but also among other types of machine learning techniques. Despite its acceptance among researchers, ANFIS cited limitations such as inefficiencies in large data and data problems, cost of computation, processing time and optimization, and error training. The ANFIS structural design is a complex optimization problem that can be improved using meta-heuristic algorithms. In this study, to optimize and reduce errors, a new meta-heuristic algorithm inspired by nomadic migration was designed and used to design an adaptive fuzzy neural system called the Qashqai nomadic meta-heuristic algorithm. The results of the hypothesis test showed that the Qashqai optimization algorithm is not defeated by the genetic algorithm and particle swarm and works well in terms of convergence to the optimal answer. In this hybrid algorithm, random data set are first generated and then trained by designing a basic fuzzy neural system. Subsequently, the parameters of the basic fuzzy system were adjusted according to the modeling error using the meta-heuristic optimization algorithm of Qashqai nomads. The fuzzy nervous system with the best values was obtained as the final result.The main achievements of the study are:• Improving ANFIS accuracy using a novel meta-heuristic algorithm.• Fix and remove some problems and Limitations in the Anfis model, such as inefficiencies in large data, cost of computation, Answer accuracy, and reduce errors.• Comparing the proposed ANFIS+QA with some recent related work such as ANFIS+QA and ANFIS+Pso. تفاصيل المقالة

حرية الوصول المقاله

55 - Optimizing the Torque of Knee Movements of a Rehabilitation Robot
محمدحسین زین الدینی مصطفی پیرمرادیان Farhad Azimifar

The aim of this study is to employ the novel Adaptive Network-based Fuzzy Inference System to optimize the torque applied on the knee link of a rehabilitation robot. Given the special conditions of stroke or spinal cord injury patients, devices with minimum error are re أکثر

The aim of this study is to employ the novel Adaptive Network-based Fuzzy Inference System to optimize the torque applied on the knee link of a rehabilitation robot. Given the special conditions of stroke or spinal cord injury patients, devices with minimum error are required for performing the rehabilitation exercises. After examining the anthropometric data tables of human body, parameters such as the length of shins, weight, force, joint angle etc. were chosen as the input data with the torque as the output of the system. Errors at any stage of the treatment can harm the patient or disrupt their recovery. Therefore, after examining different numbers of various fuzzy inference system membership functions and their consequent error, cases with the lowest error were chosen to be the best possible conditions for the system. Overall it can be said that a robot using the adaptive network-based fuzzy inference system offers negligible error. تفاصيل المقالة

حرية الوصول المقاله

56 - Identification of Crack Location and Depth in a Structure by GMDH- type Neural Networks and ANFIS
منصور درویزه نادر نریمانزاده علی ملیحی دیزگاه مهدی جوادزاده رضا انصاری

The Existence of crack in a structure leads to local flexibility and changes the stiffness and dynamic behavior of the structure. The dynamic behavior of the cracked structure depends on the depth and the location of the crack. Hence, the changes in the dynamic behavior أکثر

The Existence of crack in a structure leads to local flexibility and changes the stiffness and dynamic behavior of the structure. The dynamic behavior of the cracked structure depends on the depth and the location of the crack. Hence, the changes in the dynamic behavior in the structure due to the crack can be used for identifying the location and depth of the crack. In this study the first three natural eigenfrequencies of a cantilever beam having a transverse open crack have been computed for 10 different depths and 30 different locations by the finite element method. These natural eigenfrequencies have been used as input data for GMDH-type neural networks and adaptive neuro-fuzzy inference system, ANFIS, for crack location and depth modeling. تفاصيل المقالة

حرية الوصول المقاله

57 - A Fuzzy Expert System & Neuro-Fuzzy System Using Soft Computing For Gestational Diabetes Mellitus Diagnosis
Maryam Mirsharif Mahmood Alborzi Amir ashkan Nasiripour

Gestational diabetes mellitus (GDM) is a kind of diabetes that requires persistent medical care in patient self management education to prevent acute complications. One of the common and main problems in diagnosis of the diabetes is the weakness in its initial stages of أکثر

Gestational diabetes mellitus (GDM) is a kind of diabetes that requires persistent medical care in patient self management education to prevent acute complications. One of the common and main problems in diagnosis of the diabetes is the weakness in its initial stages of the illness. This paper intends to propose an expert system in order to diagnose the risk of GDM by using FIS model. The knowledge base was based on the opinion of experts and also by using ANFIS model in order to extract rules that based on real data. The data were collected from the patient's file in a medical health care center that contains effective risk factors in giving rise to GDM . The effective factors consist of fast blood suger, weight and age in the initial months of pregnancy and the output is the risk of GDM in pregnant women . Based on the results , the level of minimum square error in the fuzzy expert system was calculated as 0.227. For diagnosis of illnesses such as diabetes, in lack of accesses to experts ,one can rely on intelligent softwares such as expert systems, wich can assist the speedy and better diagnosis. تفاصيل المقالة

فهرس المقالات ANFIS

سند

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية