Gradient-based back-propagation dynamical iterative learning scheme for the neuro-fuzzy inference system

2015 ◽  
Vol 33 (1) ◽  
pp. 70-76 ◽  
Author(s):  
Hadi Chahkandi Nejad ◽  
Mohsen Farshad ◽  
Fereidoun Nowshiravan Rahatabad ◽  
Omid Khayat
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Back Propagation ◽  
Iterative Learning ◽  
Inference System ◽  
Learning Scheme ◽  
Neuro Fuzzy ◽  
Gradient Based

scholarly journals Prediction of littoral drift with Adaptive Neuro-Fuzzy Inference System

2010 ◽  
Vol 42 (1) ◽  
pp. 159-167
Author(s):  
Masumeh Sabet ◽  
Mehdi Naseri ◽  
Hosein Sabet
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Back Propagation ◽  
Linear Process ◽  
Back Propagation Algorithm ◽  
Littoral Drift ◽  
Inference System ◽  
The Past ◽  
Neuro Fuzzy ◽  
Sand Drift

Prediction of littoral drift with Adaptive Neuro-Fuzzy Inference System The amount of sand moving parallel to a coastline forms a prerequisite for many harbor design projects. Such information is currently obtained through various empirical formulae. Despite so many works in the past, an accurate and reliable estimation of the rate of sand drift has still remained a problem. It is a non-linear process and can be described by chaotic time-series. The current study addresses this issue through the use of Adaptive Neuro-Fuzzy Inference System (ANFIS). ANFIS is about taking an initial fuzzy inference system (FIS) and tuning it with a back propagation algorithm based on the collection of input-output data. ANFIS was developed to predict the sand drift from a variety of causative variables. The structure and algorithm of ANFIS for predicting the rate of sand drift is described. The Adaptive Neuro-Fuzzy Inference System was validated by confirming its consistency with a database of specified physical process.

scholarly journals Missing Samples Estimation of Synthetic ECG Signals by FCM-based Adaptive Neuro-Fuzzy Inference System (FCMANFIS)

2021 ◽  
Author(s):  
asghar dabiri ◽  
Nader Jafarnia Dabanloo ◽  
Fereidoon Nooshirvan Rahatabad ◽  
Keivan Maghooli
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Back Propagation ◽  
Synthetic Data ◽  
Least Square ◽  
Inference System ◽  
Ecg Signals ◽  
Neuro Fuzzy ◽  
Fuzzy C Means Clustering ◽  
System File

Abstract This paper presents estimation of missed samples recovery of Synthetic electrocardiography (ECG) signals by an ANFIS (Adaptive neuro-fuzzy inference system) method. After designing the ANFIS model using FCM (Fuzzy C Means) clustering method. In MATLAB’s standard library for ANFIS, only least-square-estimation and the back-propagation algorithms are used for tuning membership functions and generation of fis (fuzzy inference system) file, but at current work we have used FCM method that shows better result. Root mean square error (difference of the reference input and the generated data by ANFIS) for the three synthetic data cases are: a. Train data: RMSE = 1.7112e-5b. Test data: RMSE = 5.184e-3c. All data: RMSE = 2.2663e-3

scholarly journals Predictive Dynamic Window Approach Development with Artificial Neural Fuzzy Inference Improvement

Electronics ◽  
2019 ◽  
Vol 8 (9) ◽  
pp. 935 ◽  
Author(s):  
Daniel Teso-Fz-Betoño ◽  
Ekaitz Zulueta ◽  
Unai Fernandez-Gamiz ◽  
Aitor Saenz-Aguirre ◽  
Raquel Martinez
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Back Propagation ◽  
Path Selection ◽  
Algorithm Performance ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Propagation Technique ◽  
Window Approach ◽  
Neural Fuzzy

The aim of this paper is to improve the dynamic window approach algorithm for mobile robots by implementing a prediction window with a fuzzy inference system to adapt to fixed parameters, depending on the surrounding conditions. The first implementation shows the advantage of the prediction step in terms of optimizing the path selection. The second improvement uses fuzzy inference to optimize each of the fixed parameters’ values to increase the algorithm performance. Nevertheless, a simple fuzzy inference system (FIS) was not used for this particular study; instead, an artificial neuro-fuzzy inference system (ANFIS) was used, thus making it possible to develop a FIS system with a back-propagation technique. Each parameter would have a particular ANFIS, in order to modify the α D , β D , and γ D parameters individually. At the end of the article, different scenarios are analyzed to determine whether the developments in this article have improved the DWA behavior. The results show that the prediction step and ANFIS adapt DWA performance by optimizing the path resolution.

scholarly journals Drug Stock Prediction at Balige HKBP Hospital Using Adaptive Neuro-Fuzzy Inference System

SinkrOn ◽  
2020 ◽  
Vol 5 (1) ◽  
pp. 26-34
Author(s):  
Arie Satia Dharma ◽  
Lily Andayani Tampubolon ◽  
Daniel Somanta Purba
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Back Propagation ◽  
Least Square ◽  
Financial Loss ◽  
Stock Prediction ◽  
Least Square Estimator ◽  
Inference System ◽  
Error Back Propagation ◽  
Neuro Fuzzy

Currently the purchases of drugs at Instalasi Farmasi RSU (IFRS) HKBP Balige are based on the examination of the amount of drugs usage. The purchases of drugs based on the examination of the amount of drugs usage cause frequent unplanned drugs purchases that must be hastened (cito) and purchases to other pharmacies. The purchases of cito and purchases to other pharmacies will inflict a financial loss to the patients, because when IFRS makes drugs purchases of cito or to other pharmacies, the cost of the drugs will be more expensive. Therefore, in this research, a prediction of drugs stock in IFRS HKBP Balige using Adaptive Neuro Fuzzy Inference System (ANFIS) will be carried out. ANFIS is a combination of Least Square Estimator (LSE) and Error Back Propagation (EBP) algorithms. ANFIS consists of forward pass and the backward pass learning. The sample data used to predict drugs stock in this research is data of drugs sales at the IFRS HKBP Balige from 2013 to 2015. From the results of drugs stock prediction research with ANFIS, obtained that number of errors of ANFIS model is 5.52%. Based on MAPE accuracy level evaluation, number of errors have an excellent rate so that it can be concluded that the predicted results of the drugs stock are good.

Λήψη αποφάσεων και ασαφής λογική

2020 ◽  
Author(s):  
Ελένη Βλάμου
Keyword(s):  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Vector Quantization ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Back Propagation ◽  
Fuzzy Inference Systems ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Inference Systems

Η ασαφής λογική αποτελεί μια θεωρία της οποίας οι εφαρμογές έχουν σκοπό να παρέχουν βελτιωμένες λύσεις σε προβλήματα με υψηλό βαθμό αβεβαιότητας. Η θεωρία, η τεχνολογία και οι εφαρμογές της ασαφούς λογικής έχουν σημειώσει τα τελευταία χρόνια ταχύτατη ανάπτυξη και έχουν καταστεί αξιόπιστο και εύχρηστο εργαλείο σε πολλές επιστημονικές και ερευνητικές περιοχές. H παρούσα διατριβή εστιάζει στην κατανόηση των δομών της ασαφούς λογικής, και στην ανάλυση των ασαφών κανόνων και συστημάτων. Γίνεται μια ολοκληρωμένη παρουσίαση της θεωρίας ασαφών συνόλων με έμφαση στην κατανόηση των ασαφών συστημάτων (Fuzzy Inference Systems). Σκοπός είναι η ανάλυση της αποτελεσματικότητας της εφαρμογής της ασαφούς λογικής σε ποικίλα ασαφή συστήματα. Επιπλέον εστιάζει στην ανάδειξη της σπουδαιότητας της ασαφούς λογικής και των ασαφών συστημάτων λήψεως αποφάσεων, η χρήση των οποίων παρουσιάζει σημαντικά πλεονεκτήματα αναφορικά με την αποτελεσματικότητά τους. Ειδικότερα, η μίξη των τεχνητών νευρωνικών δικτύων και ασαφών συστημάτων επιτρέπει στους ερευνητές να διαμορφώνουν προβλήματα με την ανάπτυξη των έξυπνων και προσαρμοστικών συστημάτων. Έτσι γίνεται η περιγραφή του μοντέλου του ασαφούς νευρωνικού δικτύου και παρουσιάζονται εκπαιδευτικοί αλγόριθμοι (όπως ο Back-Propagation) που χρησιμοποιείται για τη βελτίωση της απόδοσης του δικτύου. Η βελτιωμένη αποδοτικότητα των εκπαιδευμένων ασαφών δικτύων επιβεβαιώνεται με την εφαρμογή και οπτικοποίηση του αλγορίθμου Back-Propagation στην Matlab. Επιπλέον γίνεται ανάλυση της εφαρμογής των ασαφών συστημάτων με σκοπό την αναγνώριση προτύπων και ανάλυση εγκεφαλογραφικού σήματος. Έτσι, γίνεται περιγραφή των γραμμικών μεθόδων αναγνώρισης προτύπων για την ανάλυση του σήματος του εγκέφαλου (όπως οι μετασχηματισμοί Fast Fourier transform, μετασχηματισμός Wavelet και μετασχηματισμός Vector Quantization) με σκοπό την προβολή της υπεροχής των ασαφών νευρωνικών δικτύων (SOMF), των συστημάτων ασαφών ταξινομητών και των ταξινομητών προσαρμοσμένων ασαφών νευρωνικών συστημάτων (ANFIS-Adaptive Neuro-Fuzzy Inference System). Επιπλέον, αναλύεται η εφαρμογή των ασαφών δικτύων αναφορικά με τη διάγνωση της επιδημιολογίας η οποία ενισχύεται με την παρουσίαση διαφορετικών επιδημιολογικών μοντέλων (όπως τα στοχαστικά επιδημιολογικά μοντέλα, π.χ. το μοντέλο SI και SIS, και τα ντετερμινιστικά επιδημιολογικά μοντέλα όπως το μοντέλο SIR) με σκοπό να αναδείξει την υπεροχή των ασαφών μεθόδων σε αυτήν την περίπτωση. Η περιγραφή των ασαφών μοντέλων SI και SIS αναδεικνύει την υπεροχή τους που ενισχύεται με την ανάλυση των ασαφών πιθανοτήτων για τη λήψη αποφάσεων στον τομέα της επιδημιολογίας. Επιπλέον, παρουσιάζεται η εφαρμογή των ασαφών συστημάτων σε θέματα βελτίωσης της απόδοσης των γενετικών αλγορίθμων. Γίνεται η ανάλυση των βασικών αρχών και χαρακτηριστικών των γενετικών αλγορίθμων, η περιγραφή των προσαρμοζόμενων πιθανοτήτων διέλευσης και μετάλλαξης και η ανάλυση των γενετικών παραγόντων που οδηγούν στην ανάπτυξη της εξέλιξης των αισθητήρων (EGP). Με αυτό τον τρόπο υποστηρίζεται η βελτιωμένη απόδοση και η αποτελεσματικότητα των ασαφών γενετικών αλγορίθμων.

scholarly journals Design of an adaptive neuro-fuzzy computing technique for predicting flow variables in a 90° sharp bend

2017 ◽  
Vol 19 (4) ◽  
pp. 572-585 ◽  
Author(s):  
Azadeh Gholami ◽  
Hossein Bonakdari ◽  
Isa Ebtehaj ◽  
Ali Akbar Akhtari
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Back Propagation ◽  
Flow Depth ◽  
Clustering Methods ◽  
Inference System ◽  
Complex Behaviour ◽  
Computing Technique ◽  
Sharp Bend ◽  
Neuro Fuzzy

Investigating flow patterns in sharp bends is more essential than in mild bends due to the complex behaviour exhibited by sharp bends. Flow variable prediction in bends is among several concerns of hydraulics scientists. In this study, the adaptive neuro-fuzzy inference system (ANFIS) is applied to predict axial velocity and flow depth in a 90° sharp bend. The experimental velocity and flow depth data for five discharge rates of 5, 7.8, 13.6, 19.1 and 25.3 L/s are used for training and testing the models. In ANFIS training, the two algorithms employed are back propagation (BP) and a hybrid of BP and least squares. In model design, the grid partitioning (GP) and sub-clustering methods are used for fuzzy inference system generation. The results indicate that ANFIS-GP-Hybrid predicts velocity best followed by flow depth.

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.

Sign in / Sign up

Export Citation Format

Share Document