XiaoMi-AI文件搜索系统
World File Search SystemANFIS
基于物联网的糖尿病诊断 ANFIS 框架
物联网 (IoT) 在医疗保健领域的日益融合正在彻底改变患者监测和疾病预测。本文介绍了一种基于机器学习 (ML) 的框架，使用自适应神经模糊推理系统 (ANFIS) 来预测糖尿病。该系统利用 IoT 数据来监测关键健康参数，包括血糖水平、血压和年龄，为糖尿病患者提供实时诊断。本研究中使用的数据集来自 UCI 存储库，并使用 ANFIS 模型进行预处理、特征选择和分类。与其他机器学习算法（如支持向量机 (SVM)、朴素贝叶斯和 K 最近邻 (KNN)）的比较分析表明，所提出的方法具有出色的预测性能。实验结果表明，ANFIS 模型的准确率达到 95.5%，优于传统模型，并在临床环境中提供更可靠的决策。这项研究强调了物联网与机器学习相结合在改善预测性医疗保健应用方面的潜力，并强调了实时患者监测系统的需求。关键词
使用ANFIS控制器对DC-微网络的电压稳定
随着技术的日益发展，微电网在能源管理部门起着关键作用，这是由于DC MGS的优势，例如减少损失和与储能资源的易于整合，DC MGS铺平了扩展这种有益工厂的使用方式[1，2]。电源系统是能源的收集，包括负载，发电单元，电源转换单元和存储设备[3，4]。evs逐渐增加，因为几年前作为MGS的存储部分，并且在响应需求短缺时作为一代单元[5]，此外，集中式生成模型正在逐渐被分布式生成模型逐渐取代[6]。此外，微电网不仅可以提高网格的灵活性，还可以提高系统可靠性[7，8]。尽管微电网为电源系统提供了明显的功能，但它在电力系统控制中带来了复杂性，并增加了电力平衡和支持服务的成本[8]。
面向弹性的网络化微电网管理双向 ANFIS 框架
摘要：本研究实施了双向人工神经模糊推理系统 (ANFIS)，以解决同步和孤岛电网模式/运行（分别在正常运行期间和发生灾难性灾难时）中的系统弹性问题。此设置包括光伏、风力涡轮机、电池和智能负载管理。太阳能电池板、风力涡轮机和电池充电超级电容器只是 ANFIS 协调的可持续能源中的一小部分。该过程的第一步是开发一种模式特定的控制算法来解决系统的当前行为。相对 ANFIS 将接管，以大大提高危机、节电和常规操作期间的弹性。双向转换器连接电池，以保持直流链路稳定并允许由于发电和消耗变化而导致的能量位移。当与 ANFIS 算法结合时，PV 可用于满足精确的电力需求。这意味着它可以保护电池免受过度充电或放电等极端条件的影响。风力发电系统针对岛屿环境进行了优化，并将按设计运行。系统效率和电池寿命均得到改善。逆变器功能的改进可以归因于使用同步参考框架变换进行控制。基于可用的太阳能、风能和系统充电状态 (SOC)，预期的基于模糊规则的 ANFIS 将接管。此外，还将同步电网与 ANFIS 进行了比较。该研究使用 MATLAB/Simulink 来证明被测系统的稳健性。
太阳能光伏生物质的技术经济评估和 ANFIS 驱动的优化
摘要 本研究项目旨在设计和评估乌干达 Kebisoni Rukungiri 地区农村电气化的太阳能光伏-生物质混合能源系统。该研究使用自适应神经模糊推理系统 (ANFIS) 方法来提高精度和建模准确性。太阳辐射水平和生物质来源来自 NASA 网站和乌干达气象中心。MATLAB/Simulink 工具用于建模和模拟各种混合系统设置。结果显示能源成本和净现值之间存在权衡，净现值显着降低，范围从 68.75% 到 77.95%。与现有系统的比较表明，可以节省大量成本并带来潜在的财务收益。这种经济高效且可持续的农村电气化方法为满足偏远地区的电力需求、促进经济发展和提高生活水平提供了可行的解决方案。
同一肢体不同关节运动想象的EEG信号ANFIS分类
简介：脑机接口 (BCI) 的实验领域正在扩大，包括运动动作，这在解读认知过程方面起着至关重要的作用。无需任何外部刺激，运动想象 (MI) 可用作脑机接口 (BCI) 的强大模型。操作外部设备的一种自然方法是想象移动同一只手臂的各个关节。这些设想的运动在运动脑中具有相似的空间图像，因此很难根据 EEG 数据区分同一腿的各个关节的 MI。方法：本研究使用了 25 名参与者的现有数据集合。参与者想象使用他们的右肢进行三项不同的活动：想象自己操纵右手、想象弯曲右臂以及在放松时闭上眼睛。为了给这些脉冲分配类别，我们求助于自适应神经模糊推理系统。结果：平均准确率为 90%。结论：研究结果表明，该技术对于正确分类 EEG 数据至关重要。本研究使用的数据收集包括肌肉成像中使用的相同肢体的脑电图测量。新的分类方法将应用于这些信号以得出结论。
原创科学论文采用 ANFIS 方法实现混合电力系统的能源管理策略
摘要：可再生能源是未来几年的希望，因为它们在自然界中储量丰富，而且免费提供。此外，这些能源无污染，是化石燃料的完美替代品。混合动力系统 (HPS) 是一种具有多个发电源的系统，如光伏 (PV) 系统、风力涡轮机、燃料电池等，它们相互连接以提供电力，以满足有/无储能备份的不同需求。本文集中于可再生能源系统的控制和集成自动化，即光伏系统、固体氧化物燃料电池 (SOFC) 与镍氢 (Ni-MH) 电池以及可变负载。建议的 HPS 主要侧重于使用 100% 清洁的光伏，发电时不会产生有毒排放。在这里，太阳能光伏系统通过算法提取最大功率，作为 HPS 中的主要供应贡献者，以满足可变负载需求。如果光伏系统电力供应不足，则利用镍氢电池/固体氧化物燃料电池的电力来满足不断变化的负载需求。另一方面，如果光伏系统电力供应过剩，则多余的能量将储存在镍氢电池中。为了实现有效的供需平衡，HPS 利用各种控制策略，即比例积分 (PI) 和自适应神经模糊推理系统 (ANFIS)。关键词：自适应神经模糊推理系统 (ANFIS)；最大功率点跟踪系统 (MPPT)；镍氢电池 (Ni-MH)；光伏 (PV)；固体氧化物燃料电池 (SOFC) 1 引言
基于ANFIS的双向网格连接的EV充电站与
与将储能技术（例如电池和水电存储）合并到太阳能PV安装中相关的挑战和机会，强调了存储在增强电网稳定性和最大化可再生能源利用率方面的作用。[9] Nwaigue等人（2019年）对太阳能光伏系统的智能电网整合进行了综述。The study examines the challenges and potential solutions for integrating solar PV into existing power grids, focusing on aspects like grid stability, power quality, and control strategies, highlighting the need for advanced grid management techniques to optimize solar PV integration [16] Raugei et al (2017) investigate the EROI of photovoltaic as compared to fossil fuel life cycles.该研究提出了一种评估Eroi的综合方法，并提供了有见地的比较，强调了太阳能光伏系统的有利能源回报特征。[21] 1.2基于ANFIS的MPPT技术Kumar等人（2021）描述了基于ANFIS的MPPT技术，用于独立太阳能PV系统。所提出的方法利用ANFI来估计最佳工作点，实现有效的跟踪性能并提高能量产量。[10] Bendary等人（2021）描述了用于光伏系统中MPPT的ANFIS（基于网络的模糊推理系统）。提议的基于ANFIS的MPPT控制器适应不断变化的环境条件，确保准确跟踪并提高整体系统效率。[11] G. Liu等（2020）引入了对独立太阳能PV系统的不同基于ANFIS的MPPT算法的比较研究。它由两个主要该研究评估了算法的跟踪准确性，收敛速度和稳定性，为选择最佳的基于ANFIS的MPPT方法提供了宝贵的见解。[14] U. Yilmaz等人（2019）开发了MPPT（“最大功率点跟踪”）方法。
通过比较 FIS 和 ANFIS 方法，设计基于市场和产品成功预测选择公司增长战略的模型
企业成长是经济增长的重要因素。具体而言，高增长公司引起了政府和政治社会的极大关注，尤其是在发达国家[52]。中小企业在发展中国家的作用至关重要，因为它们能够应对系统性的经济冲击，并有创造就业机会的潜力[35]。虽然该领域的文献表明中小企业在各国经济中具有很高的重要性，但这些企业的增长也很重要。由于这些企业的重要性，人们在小型和中小型企业发展领域引发了许多讨论。在这方面，公司成长理论一直被认为是商业文献演变的重要因素。影响公司成长的因素多种多样是该领域相关文献的特点，这些文献试图解释影响公司成长的因素[44]。鉴于经济和文化环境的多样性，人们对影响公司成长的因素尚无一致的看法。
优化废弃鳄梨油的生物柴油产量和燃料特性：ANFIS 和 RSM 机器学习模型的比较研究
化石燃料带来的挑战推动了人们对替代能源的追求，从而推动了生物燃料的发展。本研究重点是通过酯交换反应从废弃的鳄梨油中生产生物柴油。首先，使用萃取技术从鳄梨的果皮和种子中提取油。然后用甲醇和硫酸 (H₂SO₄) 对提取的油进行预处理，以将其游离脂肪酸含量降低至 1.0 wt% 以下。本研究比较了两种专家系统，即自适应神经模糊推理系统 (ANFIS) 和响应面法 (RSM)，用于建模和优化鳄梨油的生物柴油生产。使用统计指标评估了这些优化工具的性能。结果表明，ANFIS 优于 RSM，误差值较低，预测标准误差 (SEP)=0.7653、平均绝对误差 (MAE)=0.1413、均方根误差 (RMSE)=0.4103、平均绝对偏差 (AAD)=0.2955%、均方误差 (MSE)=0.1683，判定系数高 (R² = 0.9976)。两种模型都预测生物柴油产量较高 (>85%)，ANFIS 的产量 (88.21%) 略高于 RSM (86.20%)。将优化条件下生产的生物柴油的特性与美国材料与试验协会 (ASTM) D6751 和欧洲标准 (EN) 14214 标准进行了比较，结果发现其在可接受的范围内，表明该燃料是适用的。
