单桩极限承载力的ANFIS预测分析

为了提高单桩极限承载力的预测精度,利用ANFIS较强的学习能力和模糊逻辑推理功能,建立了单桩竖向极限承载力预测的自适应网络模糊推理系统.通过静载荷试验成果的学习与预测检验,系统的预测误差在-10.5%～15.5%,绝大部分误差都在10%以内,表明该系统预测精度良好、适用性较强.     

ANFIS在水电站地下厂房围岩变形预测中应用

针对目前应用人工神经网络(ANN)方法预测地下洞室围岩变形时间序列的缺陷,提出一种将神经元网络和模糊逻辑有机结合的新型模糊推理系统——ANFIS(adaptive-network-based fuzzy inference systems),该系统采用反向传播算法和最小二乘法的混合算法分别调整前提参数和结论参数,充分地利用了神经网络的学习能力和模糊逻辑的表达能力,实现了回归模型的自适应调整.通过龙滩电站的实例应用可以发现,ANFIS预测系统较传统ANN方法具有简单、快速以及预测精度高等特点.     

基于ANFIS神经网络的红黏土蠕变模型

为更好地评价红黏土边坡的蠕变特性和长期稳定性,必须建立合理的红黏土蠕变模型.首先利用自行设计改装的红黏土三轴蠕变试验装置,采用分级加载,对在不同围压下固结完成的红黏土试样进行室内排水三轴蠕变试验,获得了不同围压下的红黏土蠕变全过程曲线.然后采用"陈氏加载法"将分级加载曲线转化为不同偏应力水平下的分别加载曲线,利用等时曲线法获得红黏土的长期抗剪强度.选用不同围压、不同偏应力水平下的部分蠕变试验结果进行样本训练,建立了基于ANFIS神经网络且考虑围压及偏应力影响的红黏土蠕变模型.最后,利用训练完成的本文模型对其他蠕变试验结果进行预测,结果表明本文模型的拟合及预测精度均较高.     

基于ANFIS的导弹故障诊断系统

对以自适应模糊神经网络为核心的导弹故障检测系统的结构、组成及工作过程等进行了研究与分析。通过仿真实验表明,该方法行之有效,并可大大提高故障诊断效率,具有较强的实用性。     

基于ARMA模型的振动信号建模与预测

振动信号是反映系统故障的重要信息,预测振动信号的趋势是系统状态监测与故障诊断中的一个重要内容。本文提出了一种采用时间序列模型来分析和预测非线性随机振动信号的方法,建立了描述振动信号的数学模型。首先将现场测得的非平稳振动信号转化成标准正态平稳时间序列,然后利用这些参考信号建立时间序列模型,并采用非线性最小二乘法进行模型参数估计,最后利用该模型对信号进行预测。应用结果表明该模型能够很好地拟合振动信号时间序列,并取得了一定的预测精度,可以达到预测要求。     

基于ANFIS高精度光照度计的仿真研究

为提高光照度计的检测精度,针对光照度检测系统,应用Takagi-Sugeno模型的自适应神经模糊推理方法(ANFIS)到光照度检测系统,对光照度检测电路进行了误差补偿,并给出了硅光电池高精度光照度计的软件仿真。最后利用光照度检测实验平台实测数据作为样本数据,在MATLAB软件下的仿真结果表明：自适应神经模糊推理方法通过自学习,可以调整模糊规则和隶属函数参数,提高了光照度计的检测精度。     

基于ANFIS系统的基结构自适应生成

以形成基结构智能自动生成系统为目标，以并行自适应神经-模糊推理系统（ANFIS）为工具，建立了具有桁架拓扑结构智能自动生成功能的并行ANFIS系统，并将形态化拓扑结构进行抽象数字提取，作为系统的输入输出数据，实质是形成一种桁架结构形态间的映射机制，以样本所蕴涵的结构构成机理，推导所要求的基结构形式。最后的计算结果表明，这里使用的基于ANFIS系统的桁架结构智能自动生成方法是有效的，能够按照用户要求生成合理的桁架基结构拓扑形式。     

汽车规划设计阶段目标成本预测的实用模型

从建立实用的相关性数学模型的角度，研究了汽车规划设计阶段目标成本预测方法，所建模型已成功地用于汽车制造厂家新设计汽车技术经济分析工作中。     

基于自适应神经网络的调频调幅信号预测

线性调频信号在雷达和声纳探测上有着广泛的应用,利用自适应神经网络理论对线性调频信号的预测进行了研究,建立了自适应神经网络预测控制模型．在Matlab里进行了仿真,从图上可以看出,尽管在预测的初始阶段误差较大,但经过一段时间后,误差几乎趋于零．结果表明自适应神经网络能较好地对线性调频信号进行预测．     

基于光纤通信的汽车照明及信号控制系统

传统汽车照明、信号控制系统的控制信号通过专用线束传输,不具备自诊断功能.当重要控制信号出现故障时,驾驶员难以察觉,容易造成车祸.针对上述问题,提出了一种基于光纤通信的新型汽车照明、信号控制系统,介绍了控制功能、自诊断功能,以及硬件设计与软件开发.     

基于量子进化算法的演化ANFIS模型及其应用

利用量子进化算法对自适应模糊推理系统进行建模,从而利用自适应模糊推理系统和量子进化算法的两方面的优点来对种群结构进行优化,从而达到优化整个模糊推理系统的目的。通过仿真实例,将结合量子进化算法与自适应模糊推理系统分别应用于单输入单输出的模糊系统、多输入单输出模糊系统和多峰非线性模糊推理系统中,通过训练数据和测试数据得出性能的寻优跟踪路径及误差曲线进行比较。实验数据对比表明,ANFIS的缺点是精度低,GA-ANFIS的缺点是训练时间过长,而QEA-ANFIS主要摒弃了ANFIS训练的精确度上述两个系统的明显缺陷,既提高了精度又缩短了训练时间。     

ANFIS网络在噪声消除中的应用研究

通过对自适应模糊神经网络推理系统（AN-FIS）消除噪声原理的分析与研究,构建了一个自适应噪声消除的原理模型,给出了非线性动态系统特性的实验模型与仿真结果。结果表明ANFIS在消除噪声的应用中起到了良好的消噪作用。     

基于自适应模糊神经网络的国毛毛条性能预测

在对国产细羊毛原毛特征扣毛条加工性能的研究的基础上。采用了基于自适应模糊神经网络（ANFIS）建模方法，分别建立了8个国毛毛条质量品质指标的预测模型。模型测试表明：模型对毛条纤维的长度、长度变异系数、短纤维含量扣加工过程精梳落毛率等指标均能进行较为准确的预测。     

基于自适应神经模糊推理系统的非线性系统辨识与仿真

针对非线性系统的模糊性、不确定性等特点，将模糊推理系统和神经网络相结合，介绍了一种自适应神经模糊推理系统，并将其应用于非线性系统辨识中，仿真结果表明：训练后的ANFIS能够很好地逼近实际的非线性系统，并且辨识精度高。     

基于神经网络-模糊推理的目标识别融合研究

为提高复杂环境下多传感器的自适应信息融合能力,提出了一种基于神经网络-模糊推理的信息融合模型,利用神经网络和模糊推理分析传感器探测状态的不确定性,并将其应用于红外成像/毫米波复合制导目标识别的信息融合,识别效果比较理想,可信度有了很大提高。     

一种基于ANFIS的模糊RBF网络的倒立摆控制方法

阐述一种基于变论域的模糊神经网络控制器的设计方法,并基于ANFIS在MATLAB下,用SIMULINK对倒立摆进行仿真验证,证明此方法的正确性.     

基于多维ANFIS的T-S模糊控制规则聚类获取方法

T-S模糊模型与自适应神经模糊推理系统(ANFIS)的结合便于描述多输入系统模糊控制规则.为解决规则前件过多时传统ANFIS结构导致的维数灾难问题,同时进一步提高ANFIS对于复杂系统T-S规则在线获取速度,首先采用多维输入向量对ANFIS网络进行修正,在此基础上提出了T-S模糊控制规则聚类获取方法;其次,利用所提出的方法分别对倒立摆和二阶滞后系统进行了控制仿真,该方法同Mamdani规则自组织模糊控制的控制效果比较表明两者的最大超调量、振荡次数、过渡时间基本一致,上升时间要较Mamdani模糊控制器缩短3个采样周期,控制规则较Mamdani控制器减少了45条.     

Prediction of Anthropometric Dimensions Based on Grey Incidence Analysis and ANFIS

In order to select the efficient input variables of adaptive ncuro-fuzzy infence system （ANFIS）during the prediction anthropometric dimenions, grey incidence （GI） analysis, as a mastic method that ranks the sequence of of lots of variables in complicated factors has been applled.According to the prediction accuracy （A） between the predicted values and actual measured values, the ANFISG1 model with the parameters selected by using the GI analysis were more correct and effective than those done by multiple regression model and the model with input parmeters nonelected. The model prediction accuracy △Regrauskn= 0.804 7〈 △ANE3CI=0.9725, which proves the nodel with few parameters is more correct and effective than the other merits.     

基于乘法ARIMA模型的公路客运量预测

在收集了2004-2007年我国公路客运量月度数据的基础上,进行时间序列分析,建立了我国公路客运量月度数据的求和自回归移动平均（ARIMA）模型。分析结果显示：与常用的多项式曲线预测模型和灰色预测模型相比,模型ARIMA（2,1,2）（1,1,1）12有更好的预测效果,可以用于我国公路客运量月度数据的短期预测。