XiaoMi-AI文件搜索系统
World File Search SystemFuzzy
开发具有模糊逻辑的智能系统的室内微气候控制
摘要该论文介绍了为智能系统模拟模糊逻辑控制器的结果，以监视和管理室内微气候条件。在编程中使用模糊逻辑提供了某些优点，例如对控制系统的数据输入简单性以及减少经典微控制器固有的错误的能力。使用的微处理器系统基于Arduino Uno板型号Arduino Rev3，该型号具有Atmel Atmega328p微控制器，并且紧凑，成本效益且易于使用。在系统中使用模糊逻辑控制器进行有效的微气候调节。在智能系统的开发过程中，采用了LabView软件环境和Arduino IDE。研究将系统分解为几个组件，并在它们之间建立联系以提高软件的效率。决策 - 由系统的功能要求和用于实施的设备确定。
优化云资源分配：将复发性神经网络与模糊逻辑系统
收到的纸张日期：2024年11月15日纸张接受日期：2024年12月16日纸张出版日期：2024年12月22日摘要该研究重点是通过将经过的神经网络（RNN）与模糊逻辑相结合。该研究的主要目标是通过整合两种方法的最佳云资源预测模型的准确性和解释性。通过将RNN序列预测能力与模糊逻辑的多功能性相结合以更好地分类不确定性管理和持续输出的多功能性来实现目标。模糊成员资格功能，并将其分类为模糊集（低，中和高）。使用指标RMSE，MSE，MAE和R-Squared（R²）对经典RNN和LSTM模型进行了基准与经典的RNN和LSTM模型进行了基准测试。从获得的结果中可以清楚地看出，RNN模糊性能比其他两个模型RNN和LSTM更好，就预测的准确性。RNN模型模型的RMSE = 0.003377，MSE = 1.141，MAE = 0.0023，R²= 0.5308，而RNN模型的RMSE = 0.013437，MSE = 0.013437，MMSE = 1.941，MAE = 0.0123，和R²= 0.39908。RMSE为0.023897，MSE为2.843，MAE为0.0223，R²为0.4308，对于LSTM模型而言，所有这些相对较差。这表明使用RNN模型模型时，资源分配预测可显着改善，在减少误差指标并提高可解释性的同时更适合数据。这为云资源优化的模糊逻辑与RNN的集成增加了价值。这是可以得出结论，RNN中的模糊逻辑增强了其减轻歧义的能力，以获得更容易解释的输出，因此是在动态上下文中优化云资源的更好替代方法。关键字：复发性神经网络（RNN），模糊逻辑系统，RMSE，MAE，MSE。简介云计算技术已成为现代数字时代企业和组织的重要工具，以追求可扩展性，效率和灵活性（Khan等，2022）。随着云计算的日益增长，虚拟机的安装和维护在云环境中变得越来越困难。今天，云计算区域复杂环境中的主要问题包括虚拟机迁移优化和有效的资源提供。传统上，资源分配和VM迁移技术始终产生了资源浪费和性能降解的问题，因为它们主要使用静态规则或手动设置，而这些规则或手动设置实际上是根据云环境中不断变化的趋势（Lin等，2024）进行修改的。因此，涉及云计算的最具挑战性的问题之一是利用新颖的技术工具，因为机器学习优化了虚拟机器迁移和动态资源分配。虚拟机迁移是云计算中最重要的技术之一，遵循该领域的任何人都可以看到它的重要性。简而言之，虚拟机迁移促进了资源的动态变化，实现负载平衡并增强了云环境的一般使用和效率（Yousefi＆Babamir，2024）。虚拟机迁移的第二个优点是它可以在云环境中的缺陷中维护，成长或恢复而不会破坏用户服务。（Ghobaei -Arani等，2018）。这会改善系统的可用性。然而，虚拟机迁移并非没有挑战，包括在迁移过程中的绩效丧失，增加的迁移时间以及在迁移过程中引起的潜在数据一致性问题（Ruan等，2019）。传统的虚拟机迁移和资源分配优化通常取决于人类的设置或静态规则，这些规则和限制了许多缺点和限制。首先，静态规则通常无法对云环境中发生的动态变化做出反应。这意味着分配的资源要么不足或过多，影响
基于基于弱模糊复数的部分有序环及其与部分有序的中粒粒子环的关系
建议引用推荐引用hatamleh，raed。“基于基于弱模糊复数的部分有序环及其与部分有序的中性粒细胞环的关系。”中性粒细胞和系统78，1（2025）。https://digitalrepository.unm.edu/nss_journal/vol78/iss1/31
间隔有价值的次级K范围对称Quadri分区的中性粒细胞模糊矩阵
间隔价值的二级K范围对称Quadri分区的中性粒细胞模糊矩阵是一个高级数学框架，它扩展了传统的矩阵理论，以处理复杂系统中的不确定性，不确定性和不一致性。该模型从中性粒子逻辑，间隔值模糊集和矩阵理论中整合了多个数学概念，以提供一种多功能工具，用于在不确定的环境中表示和处理数据。中性粒子逻辑是模糊逻辑的扩展，它引入了三个成员资格功能 - truth（t），虚假（f）和不确定性（i）。与传统的模糊逻辑不同，中性粒子逻辑可以同时在给定的命题或元素中在不同程度上同时存在真理，虚假和不确定性。中性粒细胞模糊基质代表一个基质，其元素是中性粒细胞模糊集。矩阵中的每个元素的特征是有序的三重（t，i，f），其中：
基于单层区域比率defuzzifier
开发的高速模糊推理机器学习设备的主要目的是促进系统学习功能并改善计算性能。这是通过将训练单元的反馈添加到Defuzzification单元来实现的，该单元允许训练模糊逻辑设备[7]，[8]。还排除了Defuzzification单元中的某些操作，这将归化过程的计算性能时间降低至180 ns。基于区域比率方法的单层解体机的高速模糊逻辑推理机器学习设备的结果是，在模糊逻辑系统的输出下，输入数据将输入数据的生成和转换为单个指定的CRISP值。这种类型的设备可用于图像分类或热电偶控制任务[9]，[10]。此外，开发了基于面积比方法的神经模糊学习的本体论模型：
RAMS-RATMI 方法的直觉模糊扩展......
对具有优异机械性能的材料的需求不断增长，推动了多种高强度耐热合金的工程设计。为了克服传统加工方法的缺点，电火花加工 (EDM) 被证明是一种切割此类材料的更可行方法。然而，其不同输入参数的不当设置可能会严重影响加工部件的表面完整性并导致刀具过度磨损。多准则决策 (MCDM) 方法已成为一种有效的数学工具，能够处理多个输入因素及其与众多相互冲突的响应的相互作用，以找出理想的 EDM 工艺参数值。在本文中，提出了两种最近推出的 MCDM 方法，即按中位数相似度排序替代方案 (RAMS) 和按迹到中位数指数排序替代方案 (RATMI)，并结合直觉模糊集 (IFS) 以考虑到不同利益相关者意见中固有的不确定性，以在单一框架中优化两个 EDM 工艺。对于第一个 EDM 工艺，不同输入因素的理想组合是放电电流 = 3A、脉冲开启时间 = 10 µs、脉冲关闭时间 = 5 µs 和铜作为工具材料。另一方面，对于第二个工艺，EDM 参数的两个组合之间存在联系，即峰值电流 = 10 A、脉冲开启时间 = 500 µs 和间隙电压 = 45 V；峰值电流 = 10 A、脉冲开启时间 = 1000 µs 和间隙电压 = 50 V。此外，还对这两个工艺进行了与其他知名 MCDM 工具的比较分析和通过改变响应重要性进行的敏感性分析研究，以验证使用所提出的 IF-RAMS 和 IF-RATMI 方法获得的等级的可靠性和一致性。
Fermatean Fuzzy Topsis方法及其在智能城市上下文中基于商业智能的策略中的应用
随着智能城市的扩展，商业智能（BI）的使用已成为资源优化，提高效率并提高公民生活质量的重要工具。BI使公司通过分析大量城市数据来做出更好的战略决策，从而帮助它们在动态的智能城市环境中保持竞争力。这项研究利用内容分析和Fermatean Fuzzy Topsis（FF- TOPSIS）方法在智能城市的背景下根据商业智能进行了基于商业智能的策略。最初，通过内容分析确定了相关标准，随后，根据这些标准制定并进行了五种策略。结果表明，“基于IOT的智能网络的开发（S2）”排名最高，因为它在优化资源管理和增强城市服务绩效方面发挥了重要作用，从而为智能城市的发展做出了巨大贡献。“工艺自动化和机器人系统的部署（S5）”排名第二，因为它提高了效率并减少了人类错误。 “无缝访问数据和服务的云平台集成（S3）也被证明非常重要，排名第三，因为它提供了对数据和服务的无缝访问。”人工智能部署用于预测分析和过程优化（S4）“排名第四，对于预测分析和过程优化至关重要，而“智能决策的大数据分析（S1）” - 尽管很重要，但排名第五，排名第五。城市经理应优先考虑物联网网络的发展，以充分利用其资源管理和效率提高的潜力。之后，对过程自动化和AI集成的关注可以显着提高公民的生活质量并降低城市成本。
使用方法论模糊认知映射Mirmahmood Naghibi 1，Ch
摘要这项研究的目的是使用模糊认知映射方法的影响工业初创企业发展的因素之间的关系。根据其目的，研究方法适用，并且在实施方面是……。这项研究的统计人群包括19个工业初创公司的专业专家，包括高级管理人员及其收藏品，并以目标方式进行了采样，并持续进行采访，直到达到理论上的饱和度。数据收集工具是半结构化访谈。要收集数据，使用模糊的Delphi技术来识别组件，并使用模糊的认知映射方法来展示该模型。分析的结果表明，影响工业初创企业发展的主要因素包括11个变量：发展能力，人力资源能力，组织的发展需求，吸引和保留精英，创业品牌，创造合适的机会，精英技能的发展，精英技能，经济条件，客户满意度，启动进步和发展文化。然后使用模糊认知图的方法，相应地解释了这些因素之间的关系方式。
使用毕达哥拉斯模糊集对阿尔茨海默病 MRI 脑部进行分割
阿尔茨海默病 (AD) 是一种退行性且最终致命的脑部疾病，目前尚无治愈方法。这种神经系统疾病病因复杂，会导致痴呆和认知能力下降，由于脑部 MRI 图像存在差异，包括大小、形状和脑脊液流量的差异，因此很难识别。虽然 AD 没有治疗方法，但通过早期诊断可以减缓其进展。许多研究人员已经采用基于图像处理的技术，根据脑部图像区分正常患者和 AD 患者。然而，大脑的各个区域通常看起来非常相似，因此很难精确定位特定区域，而且在提取精确区域时总会存在一些不确定性。文献中提出了各种模糊 c 均值和直觉模糊 c 均值 (IFCM) 方法来处理这种模糊性和不确定性。相比之下，毕达哥拉斯模糊集 (PFS) 提供了一种更精确的验证成员资格的方法，使其成为管理不确定性的有效工具。作者分析了 PFS，并应用模糊 c 均值提出了毕达哥拉斯模糊 c 均值 (PFCM)。此外，还使用了基于直方图的初始质心来避免许多聚类算法中常见的局部最小值问题。由于结合了初始质心和基于 PFS 的聚类，所提出的聚类算法表现出了更好的性能，在不到 1.5 秒的时间内完成执行。所提出的方法在检测脑组织时实现了高准确率：白质 (WM) 为 98.64%，灰质 (GM) 为 97.4%，脑脊液 (CSF) 为 98.14%。
fuzz-ieee 2025 SS：模糊机器学习
呼吁论文：传统的机器学习模型缺乏处理现实世界不确定性，提供可解释模型的能力，并提供了支持动态环境的强大机制。模糊集，模糊逻辑和模糊系统以其对不确定性建模的能力，增强模型的可解释性的能力而闻名，并提供了一种有效且灵活的方式来表示数据和导航预测模型。因此，机器学习和模糊技术的整合是盛行的，并且在许多领域都取得了巨大的成功。这个特别会议旨在为研究人员提供一个论坛，以分享整合模糊技术和机器学习方法的最新结果。