搜索结果: 1-15 共查到“工学 ANFIS”相关记录20条 . 查询时间(0.109 秒)
基于ANFIS的多AUV协同定位系统量测异常检测方法
自主水下航行器 协同定位 自适应神经模糊推理系统 水声测距 量测异常
2024/1/16
针对异常水声测距信息对多自主水下航行器(Autonomous underwater vehicles,AUV)协同定位系统的不利影响,以及传统故障检测方法在多水声测距信息交替混淆的情况下检测效率低的问题,提出一种基于自适应神经模糊推理系统(Adaptive neuro-fuzzy inference system,ANFIS)的量测异常检测方法。
基于ANFIS的装备维修保障能力生成度评估
ANFIS 装备维修保障 能力生成度
2020/7/1
引入装备维修保障能力生成度来表征装备维修保障能力生成效果，建立涵盖维修保障人员专业性、维修保障链路科学性、维修保障组织机构融合性、维修保障筹供储水平、维修保障经费合理性、信息共享程度、风险控制和技术资料完备性的装备维修保障能力生成度指标体系，构建基于自适应神经网络模型的装备维修保障能力生成度评估模型，通过模拟数据采集对装备维修保障能力生成度进行量化处理，运用Matlab软件仿真工具对装备维修保障能...
ANFIS在航材需求量预测中的应用
航材 需求预测 ANFIS
2015/11/2
针对运用传统航材分类方法和经验法预测航材需求量偏差大问题，分析选取影响航材需求量的6个关键要素，引入自适应神经模糊推理系统（ANFIS）建立航材需求量预测模型，并给出建模流程框图和利用MATLAB求解方法；实例分析表明：这种方法得出的结果与原数据符合良好，是有效的；将预测结果与BP神经网络方法和多元线性回归方法得出结果的作对比，本方法预测精度更高，体现了这种方法的优越性，为航材需求量预测提供了一种...
基于GA-ANFIS的油气储层地震预测方法及应用
地震数据 碳酸盐岩 储集层 预测
2013/6/9
基于GA-ANFIS理论，将遗传算法与模糊神经网络技术有机地相结合，构成一种新的油气储层地震非线性预测方法。这种新的预测方法在油气储层预测中，利用地震数据和测井数据之间的非线性映射关系建立训练样本，将GA算法与ANFIS网络中的学习算法相结合，构成混合算法来优化ANFIS网络的前提参数和结论参数，并在遗传算法中加入禁忌搜索算法，这种混合算法自始至终将各算法按一定概率比例进行，其概率自适应变化，加快...
基于ANFIS的自适应机动目标状态估计算法
自适应神经网络-模糊推理系统 当前统计模型
2013/5/30
针对基于当前统计(current statistics，CS)模型的机动目标状态估计算法对机动目标加速度的极限值依赖性大的缺陷，提出了一种利用自适应神经网络-模糊推理系统(adaptive neuro-fuzzy inference system， ANFIS)自适应调整目标状态噪声方差的方法。首先利用ANFIS算法对目标机动强度进行估计，进而对目标状态噪声协方差矩阵进行自适应调整；然后利用粒子滤...
利用水生蠕虫的捕食作用可以有效地实现污泥减量.为了研究环境条件波动对蠕虫捕食污泥减量效率的影响,应用自适应神经模糊推理系统(ANFIS)和人工神经网络(ANN)模型分别预测蠕虫反应器的污泥减量速率.结果表明,溶解氧浓度(DO)、温度(T)、蠕虫密度和污泥负荷是蠕虫捕食过程的主要影响因素,通过性能比较得出ANFIS模型预测值与实验测定值间具有更好的一致性,其相关系数(r)为0.82,绝对平均误差百分...
开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制
开关磁阻电机 自适应模糊神经网络系统 无位置传感器 有限元模型
2012/10/15
提出一种基于有限元模型的开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制的新方法。自适应模糊神经网络系统以相绕组的电流和磁链为输入，以转子位置角度为输出，从而建立起电流、磁链和转子位置角度的非线性映射关系。网络训练的样本数据来自于有限元模型分析，它具有足够的精度，且不需要测量仪器和线路布置，不受环境干扰因素影响，能够大幅减少试验成本，缩短试验周期。仿真和实验结果表明，由自适应模糊神...
利用水生蠕虫的捕食作用可以有效地实现污泥减量.为了研究环境条件波动对蠕虫捕食污泥减量效率的影响,应用自适应神经模糊推理系统(ANFIS)和人工神经网络(ANN)模型分别预测蠕虫反应器的污泥减量速率.结果表明,溶解氧浓度(DO)、温度(T)、蠕虫密度和污泥负荷是蠕虫捕食过程的主要影响因素,通过性能比较得出ANFIS模型预测值与实验测定值间具有更好的一致性,其相关系数(r)为0.82,绝对平均误差百分...
半导体生产线基于DBR和ANFIS相融合的动态调度方法研究
半导体生产线 动态调度 紧急订单预测 鼓-缓冲-绳子
2017/1/5
实际半导体制造过程调度问题具有大规模、不确定、带复杂约束及多目标等综合复杂性,要确保上述生产过程优化运行,必须及时有效进行动态调度.鉴于半导体生产线具有多重入特征及紧急订单对常规订单产生影响,本文给出一种基于"鼓-缓冲-绳子"(Drum-Buffer-Rope,DBR)和自适应模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)相融合的半导体生产线...
Predicting ERP User Satisfaction―an Adaptive Neuro Fuzzy Inference System (ANFIS) Approach
ANFIS ERP Implementation Outcome Prediction Failure Detection CSFs Causal Factors
2013/1/29
ERP projects’ failing to meet user expectations is a serious problem. This research develops an Adaptive Neuro Fuzzy Inference System (ANFIS) model, to predict the key ERP outcome “User Satisfaction” ...
基于ANFIS的高速公路车辆跟驰模型与仿真
自适应模糊神经网络 跟驰模型 小波降噪 反应时间
2010/9/27
为了更好地描述高速公路上驾驶员在车辆跟驰过程中表现出来的模糊、不确定性的行为特征，采用自适应模糊神经网络ANFIS来建立车辆跟驰模型.首先，通过小波分析方法，对采集到的跟车数据进行降噪，消除外界因素的干扰，从而恢复数据的原始信息；根据信号处理方法，利用相关函数计算出驾驶员在跟驰过程中的反应时间.然后，建立以两车速度差、车头间距和后车速度作为输入，以及后车加速度作为单输出的自适应模糊神经网络跟车模型...
利用ASD便携式野外光谱仪和SPAD-502叶绿素计实测了落叶阔叶树法国梧桐、毛白杨叶片的高光谱反射率与叶片绿度，建立了10个常见植被指数叶绿素含量估算模型，并采用相关系数较大波段作为BP人工神经网络模型(ANN-BP)的输入变量进行了叶绿素含量的估算，将自适应神经模糊推理系统(ANFIS)应用到植被叶绿素含量高光谱反演中。结果表明：10个常见植被指数中归一化植被指数可以较为精确反演叶绿素含量，...
Hybrid ANFIS-ants system based optimisation of turning parameters
Machining Turning optimization ANFIS-Ants technique
2009/12/14
Purpose: The paper presents a new hybrid multi-objective optimization technique, based on ant colony optimization algorithm (ACO), to optimize the machining parameters in turning processes.
Design/me...
Prediction of Wind Speed and Power in the Central Anatolian Region of Turkey by A Fuzzy Inference Systems (ANFIS)daptive Neuro-
Wind speed Wind power Adaptive neuro-fuzzy inference systems (ANFIS) Central Anatolian region
2009/10/10
An adaptive neuro-fuzzy inference systems (ANFIS) model was used for predicting regional average wind speed and power values in the Central Anatolian region of Turkey. In model development, longitude,...
混沌时间序列的自适应变异差分进化ANFIS预测
混合学习算法 自适应神经模糊推理系统 混沌时间序列预测
2009/7/21
提出了一种基于自适应变异差分进化（AMDE）算法的ANFIS模型对混沌时间序列进行预测的方法，该方法采用自适应变异差分进化算法和最小二乘法相结合的混合学习算法对ANFIS网络结构参数进行优化设计，利用差分进化算法的全局寻优能力对ANFIS网络前件参数进行优化，而网络的结论参数采用最小二乘法优化，混合学习算法提高了网络参数辨识的收敛速度和系统的全局收敛性，仿真实验结果表明了该方法的有效性。