فهرست مقالات Adaptive neuro-fuzzy inference system

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - ارائه مدلی جهت ارزیابی پایداری زنجیره تامین صنایع دارویی با استفاده از سیستم استنتاج فازی مبتنی بر شبکه عصبی(ANFIS)
  مهسا اله یاری نازنین پیله وری رضا رادفر
  مقدمه: نظام سلامت به جهت سروکار داشتن با انسان‌ها و سلامتی آنها، یکی از پیچیده‌ترین زنجیره‌های تامین کالا در دنیا را داراست، زنجیره تامین صنعت دارویی بخشی از این نظام است. به همین دلیل هدف این پژوهش بدست آوردن مدلی جهت ارزیابی پایداری زنجیره تامین در این صنعت می‌باشد. چکیده کامل

  مقدمه: نظام سلامت به جهت سروکار داشتن با انسان‌ها و سلامتی آنها، یکی از پیچیده‌ترین زنجیره‌های تامین کالا در دنیا را داراست، زنجیره تامین صنعت دارویی بخشی از این نظام است. به همین دلیل هدف این پژوهش بدست آوردن مدلی جهت ارزیابی پایداری زنجیره تامین در این صنعت می‌باشد. روش پژوهش: ابتدا با مرور مطالعات پیشین، شاخص‌های مربوط به پایداری زنجیره تامین در ابعاد اقتصادی، اجتماعی، زیست محیطی و حکمرانی استخراج گردید و پس از اجرای تکنیک دلفی فازی و اجماع نظر خبرگان مدل مفهومی‌ارائه شد. سپس با استفاده از روش پیمایشی به منظور پیاده‌سازی مدل طراحی شده در ANFIS با کمک پرسشنامه‌ای جهت ارزیابی عوامل پایداری در مطالعه موردی مورد نظر بهره گرفته شد. یافته‌ها: ANFISهای طراحی شده با 50 دوره آموزش به میزان قابل قبول خطا دست یافتند. در بعد اقتصادی و اجتماعی روند تغییرات پایداری ابتدا به صورت کاهشی و سپس افزایشی بود. در بعد زیست محیطی که شاخص‌های منفی در نظر گرفته شده بودند روند کاملا کاهشی است. در بعد حکمرانی روند تغییرات پایداری افزایشی است .در پژوهش حاضر جذر ریشه میانگین خطا (RMSE) به عنوان معیاری جهت اعتبارسنجی مدل، مد نظر قرار گرفته شده است. نتیجه‌گیری: برای بهبود در وضعیت ابتدا باید پایداری ارزیابی و اندازه گیری شود تا پس از اقدامات بهبود بتوان نتایج حاصله را با اندازه‌گیری مشخص کرد. با توجه به یافته ها می‌توان نتیجه گرفت که مدل طراحی شده در ANFIS ابزار مناسبی برای ارزیابی پایداری است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - پیش بینی کمیت پسماند شهری با استفاده از مدل‌های هوشمند و آنالیز عدم قطعیت آن ها
  مریم عباسی ملیحه فلاح نژاد روح الله نوری مریم میرابی
  10.30495/jest.2020.11144
  زمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیش‌بینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی می‌باشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدل‌ چکیده کامل

  زمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیش‌بینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی می‌باشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدل‌سازی پدیده‌های پیچیده را دارند، به خوبی روشن می‌باشد. هدف از این مطالعه، پیش بینی کمیت پسماند با استفاده از مدل های هوشمند، مقایسه عملکرد و آنالیز عدم قطعیت آن ها می باشدروش بررسی: در این مطالعه، شهر مشهد به عنوان مطالعه موردی انتخاب شد و از سری زمانی تولید پسماند در فاصله زمانی سال‌های 1380 تا 1390 برای پیش‌بینی هفتگی استفاده گردید. جهت مدل سازی از مدل های هوشمند شبکه عصبی، ماشین بردار پشتیبان، سیستم استنتاجی تطبیقی نروفازی و کا نزدیک ترین همسایه استفاده گردید. پس از بهینه سازی پارامترهای هر مدل، با استفاده از از شاخص های آماری، عملکرد مدل ها مورد مقایسه قرار گرفت. در نهایت، آنالیز عدم قطعیت نتایج مدل سازی با کمک روش مونت کارلو انجام گرفت.یافته ها: نتایج نشان داد که ضریب اطمینان (2R) مدل‌های شبکه عصبی، سیستم استنتاجی تطبیقی نروفازی، ماشین بردار پشتیبان و کا نزدیک‍ترین همسایه به ترتیب 67/0، 69/0، 72/0 و 64/0 می باشد. آنالیز عدم قطعیت نیز نتایج این مقایسه را تایید نمود و نشان داد مدل ماشین بردار پشتیبان در بین سایر مدل‌ها، عدم قطعیت کم‍تری داشته و نسبت به داده‌های ورودی کم‍ترین حساسیت را دارد.بحث و نتیجه گیری: مدل‌های هوشمند از توانایی رضایت‌بخشی برای پیش بینی کمی پسماند برخوردارند و در بین مدل‌های هوشمند مورد  مطالعه، مدل ماشین بردار پشتیبان بهترین نتایج را از خود نشان داد. همچنین، عدم قطعیت نتایج مدل ماشین بردار پشتیبان در بین سایر مدل‌ها، عدم قطعیت کم تری برخوردار بود. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - Prediction of scour dimension in the Plunge Pools below Outlet Bucket with Artificial intelligence method
  علی لشکرآرا سارا خرم زاده
  Accurate prediction of sediment scour hole dimensions downstream of hydraulic structures, e.g. the outlet bucket, is a complex and not straight forward engineering problem encountered worldwide. Because of the complexities of the study, its comprehensive, simultaneous i چکیده کامل

  Accurate prediction of sediment scour hole dimensions downstream of hydraulic structures, e.g. the outlet bucket, is a complex and not straight forward engineering problem encountered worldwide. Because of the complexities of the study, its comprehensive, simultaneous including water flow, sediment and applying all of the effective variables involved in scouring it is not easy possible. Dimensions of a scour hole are usually determined by empirical equations which their validation is limited by experimental conditions. As constructing physical models has its own difficulty, determining of scour hole parameters has been applied in this paper for a collection of previous experimental studies. Two artificial intelligence techniques (ANN & ANFIS) are used and the results are compared with empirical equation for maximum scour holes using nonlinear regression method. Artificial Neural Network (ANN) simply represents interconnection of neurons, each of which carries out the task of combining the input, determining its strength by comparing the combination and finding out the result. On the other hand, ANFIS is a hybrid scheme which uses the learning capability of the ANN to derive the fuzzy rules with membership functions. The results showed that maximum error caused by applying ANFIS techniques in estimating scour hole dimensions was 5.2 percent while the error in neural network model was 10.38 percent. The significance of different parameters was discussed and a simple, innovative formula was proposed. This formula is an interesting tool for the engineering community due to its preferences for estimating the parameters of complex phenomena like erosion procedures. It has been established that scour estimations could be improved if soft computation is used in place of the traditional formulae. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - 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 چکیده کامل

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

  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. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  6 - An Adaptive neuro-fuzzy Inference System to Evaluate Trustworthiness of Users in a Social Network
  MohammadMahdi Shafiei Hossein Shirgahi Homayun Motameni Behnam Barzegar
  In recent years, the emergence of various social networks has led to the growth of social network users. However, activity in such networks depends on the level of trust that users have in each other. Therefore, trust is essential and important issue in these networks, چکیده کامل

  In recent years, the emergence of various social networks has led to the growth of social network users. However, activity in such networks depends on the level of trust that users have in each other. Therefore, trust is essential and important issue in these networks, especially when users interact with each other. In this article, we examine this issue and provide a method to evaluate it. It is not easy to measure the accuracy of trust for users who interact with social networks. Here, interactions are virtual. In this article, we have used the adaptive neuro-fuzzy inference system to evaluate trustworthiness by considering different personality attributes of users such as reliability, availability, interest, patience and adaptability. Using these features as input and based on the adaptive neuro-fuzzy inference system, we evaluated the trustworthiness of users in social network. The proposed adaptive neuro-fuzzy inference system is expandable because in this system, trust can be defined as a set of one or more personality attributes. Epinions social network dataset is also used to simulate and validate the proposed method. In the proposed method, the absolute mean value of error is less than 0.0095 and the value of F-score is more than 0.9884. Based on the obtained results and compared to the previous methods, the proposed adaptive neuro-fuzzy inference system shows an acceptable accuracy for evaluating the trustworthiness of users. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  7 - 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 چکیده کامل

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

  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. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  9 - Prediction of toxicity of aliphatic carboxylic acids using adaptive neuro-fuzzy inference system
  Vali Zare-Shahabadi
  Toxicity of 38 aliphatic carboxylic acids was studied using non-linear quantitative structure-toxicityrelationship (QSTR) models. The adaptive neuro-fuzzy inference system (ANFIS) was used to construct thenonlinear QSTR models in all stages of study. Two ANFIS models we چکیده کامل

  Toxicity of 38 aliphatic carboxylic acids was studied using non-linear quantitative structure-toxicityrelationship (QSTR) models. The adaptive neuro-fuzzy inference system (ANFIS) was used to construct thenonlinear QSTR models in all stages of study. Two ANFIS models were developed based upon differentsubsets of descriptors. The first one used log ow K and LUMO E as inputs and had good prediction ability; forthe training set of 28 compounds 2Training R was 0.86 and for the test set of 10 compounds, the correspondingstatistic was 2Test R =0.97. Two outliers were detected for this ANFIS model and removing them improved thequality of the model. Another ANFIS model was constructed based on PEOE_VSA_FPNEG and G3udescriptors chosen by exhaustive search of all two combinations of calculated descriptors by Dragon andMOE softwares. The later ANFIS model showed better performance than the former ( 2Training R =0.92 and2Test R =0.90) and no outlier was detected. پرونده مقاله