Input Selection and Rule Generation in Adaptive Neuro-fuzzy Inference System for Protein Structure Prediction

2003 ◽  
pp. 514-521 ◽  
Author(s):  
Yongxian Wang ◽  
Haiyan Chang ◽  
Zhenghua Wang ◽  
Xiaomei Li
Keyword(s):  
Protein Structure ◽  
Protein Structure Prediction ◽  
Fuzzy Inference System ◽  
Structure Prediction ◽  
Fuzzy Inference ◽  
Rule Generation ◽  
Inference System ◽  
Input Selection ◽  
Neuro Fuzzy

scholarly journals Intermittent stream flow forecasting and modelling with hybrid wavelet neuro-fuzzy model

2017 ◽  
Vol 49 (1) ◽  
pp. 27-40 ◽  
Author(s):  
Honey Badrzadeh ◽  
Ranjan Sarukkalige ◽  
A. W. Jayawardena
Keyword(s):  
Time Series ◽  
Fuzzy Inference System ◽  
Stream Flow ◽  
Fuzzy Inference ◽  
Fuzzy Model ◽  
Performance Criteria ◽  
Discrete Wavelet ◽  
Inference System ◽  
Input Selection ◽  
Neuro Fuzzy

Abstract In this paper, an advanced stream flow forecasting model is developed by applying data-preprocessing techniques on adaptive neuro-fuzzy inference system (ANFIS). Wavelet multi-resolution analysis is coupled with an ANFIS model to develop a hybrid wavelet neuro-fuzzy (WNF) model. Different models with different input selection and structures are developed for daily, weekly and monthly stream flow forecasting in Railway Parade station on Ellen Brook River, Western Australia. The stream flow time series is decomposed into multi-frequency time series by discrete wavelet transform using the Haar, Coiflet and Daubechies mother wavelets. The wavelet coefficients are then imposed as input data to the neuro-fuzzy model. Models are developed based on Takagi-Sugeno-Kang fuzzy inference system with the grid partitioning approach for initializing the fuzzy rule-based structure. Mean-square error and Nash-Sutcliffe coefficient are chosen as the performance criteria. The results of the application show that the right selection of the inputs with high autocorrelation function improves the accuracy of forecasting. Comparing the performance of the hybrid WNF models with those of the original ANFIS models indicates that the hybrid WNF models produce significantly better results especially in longer-term forecasting.

Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

2017 ◽  
Vol 3 (1) ◽  
pp. 36-48
Author(s):  
Erwan Ahmad Ardiansyah ◽  
Rina Mardiati ◽  
Afaf Fadhil
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

Prakiraan atau peramalan beban listrik dibutuhkan dalam menentukan jumlah listrik yang dihasilkan. Ini menentukan  agar tidak terjadi beban berlebih yang menyebabkan pemborosan atau kekurangan beban listrik yang mengakibatkan krisis listrik di konsumen. Oleh karena itu di butuhkan prakiraan atau peramalan yang tepat untuk menghasilkan energi listrik. Teknologi softcomputing dapat digunakan  sebagai metode alternatif untuk prediksi beban litrik jangka pendek salah satunya dengan metode  Adaptive Neuro Fuzzy Inference System pada penelitian tugas akhir ini. Data yang di dapat untuk mendukung penelitian ini adalah data dari APD PLN JAWA BARAT yang berisikan laporan data beban puncak bulanan penyulang area gardu induk majalaya dari januari 2011 sampai desember 2014 sebagai data acuan dan data aktual januari-desember 2015. Data kemudian dilatih menggunakan metode ANFIS pada software MATLAB versi b2010. Dari data hasil pelatihan data ANFIS kemudian dilakukan perbandingan dengan data aktual dan data metode regresi meliputi perbandingan anfis-aktual, regresi-aktual dan perbandingan anfis-regresi-aktual. Dari perbandingan disimpulkan bahwa data metode anfis lebih mendekati data aktual dengan rata-rata 1,4%, menunjukan prediksi ANFIS dapat menjadi referensi untuk peramalan beban listrik dimasa depan.

PENGEMBANGAN SISTEM MANAJEMEN PENDUKUNG KEPUTUSAN PENILAIAN MUTU KEPEGAWAIAN DINAS PENDIDIKAN REMBANG MENGGUNAKAN ALGORITMA ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM)

2020 ◽  
Vol 12 (1) ◽  
pp. 6-17
Author(s):  
Angga debby frayudha ◽  
Aris Yulianto ◽  
Fatmawatul Qomariyah
Keyword(s):  
Fuzzy Inference System ◽  
Industry 4.0 ◽  
Fuzzy Inference ◽  
System Model ◽  
Inference System ◽  
Neuro Fuzzy

Di era revolusi industry 4.0 terdapat banyak sekali kemudahan yang diberikan teknologi kepada manusia. Tentu ini akan menjadi baik apabila manusia mampu memanfaatkan hal tersebut dengan baik pula. Namun disisi lain juga bisa mengakibatkan dampak negative terhadap manusia, misalnya dengan adanya internet bisa mengakibatkan manusia melakukan penipuan di media social. Selain itu dengan canggihnya teknologi dapat menjadikan manusia menjadi malas yang bisa berimbas menurunnya kualitas sumber daya manusia. Maka dari itu untuk menghadapi hal ini perlu menyiapkan pendidikan yang baik.Pendidikan akan berjalan baik apabila lembaga yang mengurusnya berkompeten dalam melakukan tugasnya .Penulis coba memberikan ide untuk memprediksi kinerja pegawai Dinas Pendidikan Kabupaten Rembang menggunakan mentode ANFIS (Adaptive Neuro Fuzzy Inference System) guna untuk membantu lembaga tersebut menyeleksi maupun menilai kinerja karyawan demi meningkatkan kualitas dari segi sumber daya manusia. ANFIS merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Model penilaian kinerja pegawai di Dinas Pendidikan Kabupaten Rembang dengan menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS) menghasilkan penilaian  yang lebih baik dan akurat.  Hasil pengujian metode tersebut memiliki nilai akurasi 65%. Dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System) dapat memprediksi kinerja karyawan sebagai salah satu pengambilan keputusan terhadap kinerja pegawai. Selain itu nantinya system penlaian kinerja pegawai akan lebih tertata dan efisien.

USE OF ADAPTIVE NEURO FUZZY INFERENCE SYSTEM TO DEVELOP A SQUARE MONOPOLE ANTENNA

2016 ◽  
Vol 72 (2) ◽  
Author(s):  
MOUMI PANDIT ◽  
T BOSE ROY ◽  
M.K. GHOSE
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Monopole Antenna ◽  
Inference System ◽  
Neuro Fuzzy

scholarly journals Global Image Thresholding Adaptive Neuro-Fuzzy Inference System Trained with Fuzzy Inclusion and Entropy Measures

Symmetry ◽  
2019 ◽  
Vol 11 (2) ◽  
pp. 286 ◽  
Author(s):  
Athanasios Bogiatzis ◽  
Basil Papadopoulos
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Initial Step ◽  
Local Area ◽  
Mathematical Functions ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Entropy Measures ◽  
Complex Procedure ◽  
Artificial Neural Network Ann

Thresholding algorithms segment an image into two parts (foreground and background) by producing a binary version of our initial input. It is a complex procedure (due to the distinctive characteristics of each image) which often constitutes the initial step of other image processing or computer vision applications. Global techniques calculate a single threshold for the whole image while local techniques calculate a different threshold for each pixel based on specific attributes of its local area. In some of our previous work, we introduced some specific fuzzy inclusion and entropy measures which we efficiently managed to use on both global and local thresholding. The general method which we presented was an open and adaptable procedure, it was free of sensitivity or bias parameters and it involved image classification, mathematical functions, a fuzzy symmetrical triangular number and some criteria of choosing between two possible thresholds. Here, we continue this research and try to avoid all these by automatically connecting our measures with the wanted threshold using some Artificial Neural Network (ANN). Using an ANN in image segmentation is not uncommon especially in the domain of medical images. However, our proposition involves the use of an Adaptive Neuro-Fuzzy Inference System (ANFIS) which means that all we need is a proper database. It is a simple and immediate method which could provide researchers with an alternative approach to the thresholding problem considering that they probably have at their disposal some appropriate and specialized data.

Sign in / Sign up

Export Citation Format

Share Document