XiaoMi-AI文件搜索系统
World File Search SystemANFIS
引用了本文：AkalınF。和YumuşakN。，“外显子和内含子区域的分类DNA序列上使用Sbert和Anfis AP
图。有关外显子和内含子区域的符号DNA序列瞄准了外显子和内含子区域的DNA序列上的分类。在本研究中的设计和方法论，使用基于人工智能的系统进行了DNA序列中的外显子和内含子区域的分析。独创性通常首选用于评估文本数据的聚类方法在DNA序列上使用。这种情况降低了计算成本。的发现是解决生物信息学领域越来越多的数据的解决方案，建立了基于人工智能的结构，可提供低成本。因此，研究与遗传学有关的情况变得更加容易。结论DNA结构上的外显子和内含子区域的准确率为88.88％。宣布道德标准本文的作者宣布，本研究中使用的材料和方法不需要道德委员会许可和/或法律特殊许可。
神经模糊算法在人体中的性能分析...
摘要。脑机接口是一种非侵入式设备，可获取大脑产生的信号，然后对其进行操纵以适应各种应用。BCI 的一个流行应用是与机器人接口；并且，每个 BCI - 机器人系统都采用不同的机器学习算法。本研究旨在对神经模糊算法（特别是自适应网络模糊推理系统 (ANFIS)）进行性能分析，以对 Emotiv INSIGHT 检索到的 EEG 信号进行分类。还开发了一种 SVM 算法作为 ANFIS 性能的参考。研究人员可以使用一种生成和获取 EEG 信号的方法作为参考。面部和眼部手势被用作 EEG 信号生成的手段，并被输入到两种算法中进行模拟实验。结果表明，ANFIS 往往比 SVM 算法更可靠，并且略胜一筹。与 SVM 相比，ANFIS 占用了大量的计算资源，需要更高的规格和训练时间。
插电式电动汽车二级车载充电器设计...
摘要——本文介绍了采用先进功率转换技术的电动汽车 (EV) 车载充电器的设计和分析。所提出的系统具有使用图腾柱功率因数校正 (PFC) 转换器的 AC-DC 转换级和使用 LLC 谐振转换器的 DC-DC 转换级，并使用自适应神经模糊推理系统 (ANFIS) 控制器进行优化。所提出的 OBC 系统旨在提高 EV 充电系统的效率、功率密度和可靠性。图腾柱 AC-DC 转换器用于以最小的开关损耗整流交流输入，利用其固有的连续导通模式 (CCM) 运行能力并减少二极管中的反向恢复问题。整流后，LLC 谐振 DC-DC 转换器有效地将直流电压升压到适当的电池充电水平，提供零电压开关 (ZVS) 和零电流开关 (ZCS) 以提高整体效率。ANFIS 控制器结合了模糊逻辑和神经网络的优势，在不同的运行条件下提供卓越的适应性和控制精度。仿真结果表明，使用 ANFIS 后，效率、功率因数和瞬态响应显著改善。实验验证证实了基于 ANFIS 的系统的优越性，使其成为当代电动汽车充电应用的可行解决方案。索引术语 - 车载充电器 (OBC)、功率因数校正 (PFC)、电动汽车 (EV)、自适应神经模糊推理系统 (ANFIS)。
桥墩周围局部冲刷预测
摘要 本文介绍了两种人工智能建模方法，即遗传规划 (GP) 和自适应神经模糊推理系统 (ANFIS)，用于在 320 组实验室和现场测量数据的清水条件下预测桥墩冲刷深度。冲刷深度被建模为五个主要无量纲参数的函数：桥墩宽度、逼近流深度、弗劳德数、粒径分布的标准差和通道开阔度。使用训练后的 GP 模型建立了函数关系，并通过将结果与 ANFIS 模型和七个传统的基于回归的公式的结果进行比较来验证其性能。数值试验表明，GP 模型比 ANFIS 模型或任何其他经验方程具有更好的一致性。通过将推导的 GP 方程用于预测埃及因巴巴大桥桥墩周围的冲刷深度，证实了 GP 模型的优势。
利用选定的土壤类型开发预测加州红土承载力的模型
摘要 软计算方法用于创建估计红土加州承载比值的模型。软计算技术是一种寻找可证明的正确和最佳问题解决方案的算法。路面设计中使用的浸泡 CBR 值需要大约 96 小时才能完成测试过程。这可能既耗时又昂贵，因此研究人员需要寻找其他方法来获取它。各种研究都采用了人工智能技术，包括神经网络、遗传算法和支持向量机，来估计 CBR 值。虽然这些方法提供了潜在的好处，但它们也表现出某些缺点，例如对参数设置的敏感性、适应性受限以及难以理解潜在的关系。本研究提出了一种应对这一挑战的新模型，即人工神经网络 (ANN) 及其混合模型 (ANFIS)。从洞穴中采集土壤样本，并对获取的土壤样本进行必要的测试。进行了指数、压实和加州承载比测试。开发了两种机器学习模型，即人工神经网络 (ANN) 和自适应神经模糊推理系统 (ANFIS)，用于预测红土的 CBR 值。这些模型在 70% 的数据上进行了训练，并在剩余的 30% 上进行了测试。两种模型都表现出令人满意的性能，但 ANFIS 模型表现出更高的准确性，这由更高的 R2 值 (0.98)、更低的 RMSE (0.11) 和更低的 MSE (0.33) 证明。这些结果表明 ANFIS 在捕捉数据中的复杂关系方面特别有效，并且是预测红土中 CBR 值的有前途的工具。关键词：软计算技术、加州承载比、指标属性、红土
智能微电网与双向直流快速充电的集成：利用车辆到电网技术
电动汽车 (EV) 电池可用作微电网中的潜在储能设备。它们可以在有剩余能量时储存能量（电网到汽车，G2V），并在有需求时将能量回馈给电网（车辆到电网，V2G），从而帮助微电网进行能源管理。本研究侧重于智能微电网与双向直流快速充电的集成，利用车辆到电网 (V2G) 技术来增强能源管理。该项目采用自适应神经模糊推理系统 (ANFIS) 控制器来智能调节微电网和电动汽车之间的双向功率流。V2G 的集成促进了能量交换，使电动汽车可以用作移动储能单元。双向直流快速充电系统通过 ANFIS 控制器进行优化，确保高效的能量传输、电网稳定性和负载平衡。进行了模拟研究以展示 V2G-G2V 功率传输。
使用 AI 方法预测焊接响应
摘要 薄板激光焊接广泛应用于电池制造、汽车、航空、电子电路和医学等各个领域。因此，开发一种使用人工智能的预测模型对于以经济的方式实现高质量的焊接件至关重要。在本研究中，实施了两种先进的人工智能技术，即自适应神经模糊推理系统 (ANFIS) 和多基因遗传编程 (MGGP)，以预测使用 Nd:YAG 激光连接薄板过程中的焊接响应，例如热影响区、表面粗糙度和焊接强度。本研究试图为焊接过程开发一个合适的预测模型。在提出的方法中，70% 的实验数据构成训练集，而剩余 30% 的数据用作测试集。本研究结果表明，MGGP 模型测试数据集的均方根误差 (RMSE) 在 7% 到 16% 之间，而 ANFIS 模型测试数据集的 RMSE 在 18-35% 之间。研究表明，MGGP 能够以优异的方式预测激光焊接过程中的焊接响应，并可用于准确预测性能指标。
纸张标题（使用样式：纸标题）
摘要：微电网（MG）中电池能量存储系统的建模和稳定性分析对于优化性能和效率以及安全有效地管理功率至关重要。在这种情况下，这项工作的贡献是提出混合储能系统（HESS）的合并努力，包括光伏（PV），燃料电池（FC）和电池以支持需求负载。该贡献的本文与PV，FC和电池与MG连接。为了获得设计评估，该方法结合了来自高级电源系统的相替代替代方案。在这个方向上，采用自适应神经模糊推理系统（ANFIS）和遗传算法（GA）控制策略来收集电力系统中的系统数据。这些数据的过程提供了重要的信息，知识是分析此信息的结果，这是智能行为或行动的关键驱动力。得出结论，在单线到地面断层方案（SLGFS）中，ANFI在HESS-MG系统中的应用导致注射值为99.6％，而HESS-MG中GA的利用率在SLGFS中的注射值为98.9％。不使用HESS-MG技术的不使用HESS-MG技术的降低电压下垂分别为76.2％。
用于配电网能源盗窃检测的人工智能
摘要：配电系统的数字化彻底改变了数据收集和分析的方式。本文解决了利用这些信息识别电力消耗中的违规和异常这一关键任务。重点是检测配电网中的非技术性损失 (NTL) 和能源盗窃。本文全面概述了利用电力消耗测量来发现 NTL 和能源盗窃的方法。确定了消费者中最常见的异常和盗窃场景和普遍案例。此外，还提出了针对特定异常的统计指标。在这篇研究论文中，重点介绍了许多人工智能 (AI) 算法的实际实现，包括人工神经网络 (ANN)、ANFIS、自动编码器神经网络和 K 均值聚类。这些算法在我们的研究中起着核心作用，我们的主要目标是展示它们在识别 NTL 方面的有效性。我们使用直接来自配电网的真实数据。此外，我们仔细评估统计方法的效果，并通过使用真实数据进行测试，将其与 AI 技术进行比较。人工神经网络 (ANN) 准确识别了各种消费者类型，频率误差为 7.62%。相比之下，K 均值算法的频率误差略高，为 9.26%，而自适应神经模糊推理系统 (ANFIS) 无法检测到初始异常类型，导致频率误差为 11.11%。我们的研究表明，人工智能可以更有效地发现电力消耗中的异常情况。这种方法，尤其是在使用智能电表数据时，可以帮助我们发现问题并保护配电网络。
洪水河水水平的预测，使用集合机器学习预警系统
Amrul Faruq* 1,2，Shamsul Faisal Mohd Hussein 2，Aminaton Marto 2,3和Shahrum Shah Abdullah* 2 1 1 1 1 1 1 1 1 1 1 15144 MALANG，65144 MALANG，INDONESIA 2 MALAYSIA 2 MALAYSIA-INSTICAIT INSTICE INDENTION INSTICER ENCENCOULTY，INDISIA-INSTICAIL INSTICEIT INSTICEINION ENGISTION ENGINEERION马来西亚54100马来西亚的Teknologi，马来西亚吉隆坡3号，3柔软土壤研究中心，马来西亚的86400 Batu Pahat，Malaysia，Malaysia，马来西亚86400 Batu Pahat * shahrum@utm.my摘要。洪水预测对于预警系统和减少灾害风险至关重要。然而，洪水的水位既困难又具有挑战性，因此无法通过古典时间序列的方法轻松捕获它。这项研究提出了一种新型的智能系统，将各种机器学习技术用作单个模型，包括径向基函数神经网络（RBF-NN），适应性神经模糊的推理系统（ANFIS），支持向量机（SVM）和长期短期内存网络（LSTM），以建立智能委员会的机器学习Flood Flood Flood Flooder Flood Forecasting Forecasting（ICM-Fff）。通过简单的平均方法实现的这些单个模型的组合，并使用加权平均最终的邻居（𝐾 -NN）和遗传算法（GA）进一步优化。使用马来西亚凯兰丹河的实案例研究评估了所提出的模型的有效性。结果表明，ANFI的表现优于单个模型，而基于ICML-FF的模型比任何一个人都产生了更好的准确性和最低的误差。一般而言，发现拟议的ICML-FF能够为洪水预警系统提供健全的预测模型。