Application of an adaptive neuro-fuzzy inference system for classification of Behcet disease using the fast Fourier transform method

2007 ◽  
Vol 24 (2) ◽  
pp. 123-130 ◽  
Author(s):  
Necaattin Barişçi ◽  
Firat Hardalaç
Keyword(s):  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Transform Method ◽  
Fourier Transform Method ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Fast Fourier Transform Method

scholarly journals Classification of EEG Signals using Fast Fourier Transform (FFT) and Adaptive Neuro Fuzzy Inference System (ANFIS)

2019 ◽  
Vol 5 (1) ◽  
pp. 35-44
Author(s):  
Suwanto Suwanto ◽  
M. Hasan Bisri ◽  
Dian Candra Rini Novitasari ◽  
Ahmad Hanif Asyhar
Keyword(s):  
Feature Extraction ◽  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Eeg Signal ◽  
Eeg Signals ◽  
Inference System ◽  
Neuro Fuzzy ◽  
The Brain

Epilepsy is a disease that attacks the brain and results in seizures due to neurological disorders. The electrical activity of the brain recorded by the EEG signal test, because EEG test can be used to diagnose brain and mental diseases such as epilepsy. This study aims to identify whether a person has epilepsy or not along with the result of accurate, sensitivity, and precision rate using Fast Fourier Transform (FFT) and Adaptive Neuro-Fuzzy Inference System (ANFIS) method. The FFT is used to transform EEG signals from time-based into frequency-based and continued with feature extraction to take characteristics from each filtering signal using the median, mean, and standard deviations of each EEG signal. The results of the feature extraction used for input on the category process based on characteristics data (classification) using ANFIS. EEG signal data is obtained from epilepsy center online database of Bonn University, German. The results of the EEG signal classification system using ANFIS with two classes (Normal-Epilepsy) states accuracy, sensitivity, and precision of 100%. The classification systems with three class division (Normal-Not Seizure Epilepsy-Epilepsy) resulted in an accuracy of 89.33% sensitivity of 89.37% and precision of 89.33%.

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.

Adaptive Neuro-Fuzzy Inference System for Classification of ACL-Ruptured Knees Using Arthrometric Data

2008 ◽  
Vol 36 (9) ◽  
pp. 1449-1457 ◽  
Author(s):  
Zoya Heydari ◽  
Farzam Farahmand ◽  
Hossein Arabalibeik ◽  
Mohamad Parnianpour
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

GPS Signal Reception Classification Using Adaptive Neuro-Fuzzy Inference System

2018 ◽  
Vol 72 (3) ◽  
pp. 685-701 ◽  
Author(s):  
Rui Sun ◽  
Li-Ta Hsu ◽  
Dabin Xue ◽  
Guohao Zhang ◽  
Washington Yotto Ochieng
Keyword(s):  
Fuzzy Inference System ◽  
Urban Areas ◽  
Fuzzy Inference ◽  
Receiver Design ◽  
Single Variable ◽  
Gps Measurements ◽  
Inference System ◽  
Static Test ◽  
Neuro Fuzzy

The multipath effect and Non-Line-Of-Sight (NLOS) reception of Global Positioning System (GPS) signals both serve to degrade performance, particularly in urban areas. Although receiver design continues to evolve, residual multipath errors and NLOS signals remain a challenge in built-up areas. It is therefore desirable to identify direct, multipath-affected and NLOS GPS measurements in order improve ranging-based position solutions. The traditional signal strength-based methods to achieve this, however, use a single variable (for example, Signal to Noise Ratio (C/N0)) as the classifier. As this single variable does not completely represent the multipath and NLOS characteristics of the signals, the traditional methods are not robust in the classification of signals received. This paper uses a set of variables derived from the raw GPS measurements together with an algorithm based on an Adaptive Neuro Fuzzy Inference System (ANFIS) to classify direct, multipath-affected and NLOS measurements from GPS. Results from real data show that the proposed method could achieve rates of correct classification of 100%, 91% and 84%, respectively, for LOS, Multipath and NLOS based on a static test with special conditions. These results are superior to the other three state-of-the-art signal reception classification methods.

Sign in / Sign up

Export Citation Format

Share Document