فهرست مقالات Adaptive Neuro Fuzzy Inference System (ANFIS)

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - 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 چکیده کامل

  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. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - 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 چکیده کامل

  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. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - 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 چکیده کامل

  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. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - 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 چکیده کامل

  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. پرونده مقاله