间隔是代表与数据相关的不确定性的流行方式,在这种方式中,我们将每个观察结果视为间隔的宽度的模糊性。但是,在为此目的使用间隔时,我们需要使用适当的数学工具来使用。这可能是有问题的,这是由于与NuMerical的功能相比,间隔值函数的稀缺性和复杂性。在这项工作中,我们建议将Sugeno积分的概括扩展到与间隔值数据的工作。然后,我们在两个不同的设置中使用此积分对Aggregate间隔值数据进行:首先,我们研究了在脑部计算机界面中间隔的使用;其次,我们研究了如何在社交网络中构建间隔值的关系,以及如何汇总他们的信息。我们的结果表明,在两种情况下,间隔值数据可以有效地对数据的某些不确定性和联盟进行建模。对于大脑计算机界面的情况,我们发现我们的结果超过了其他间隔值函数的结果。
本文介绍了一种光伏 (PV) 储能系统的综合设计和控制策略。该系统由一个 2kW 光伏系统、两个转换器电路、一个 6 欧姆的电阻负载和一个集成直流总线的锂离子电池存储组成,为电阻负载提供恒定功率。该方案提供了两种转换器拓扑,一种是升压转换器,另一种是 DC/DC 双向转换器。升压转换器直接串联连接到 PV 阵列,而双向 DC/DC 转换器 (BDC) 连接到电池。升压转换器用于调节 PV 阵列的最大功率点跟踪 (MPPT)。双向控制器的闭环控制采用 Takagi-Sugeno 模糊 (TS-Fuzzy) 控制器来实现,以调节电池充电和放电功率流。所提出的方案提供了良好的直流总线电压稳定性。给出了所提出的控制方案在 MATLAB/Simulink 下的仿真结果,并与比例积分 (PI) 控制器进行了比较。在实时数字模拟器(RTDS)上验证了MATLAB获得的仿真结果。
摘要 - 大脑计算机接口(BCI)技术是人脑和外部设备之间通信的流行方法。BCI最受欢迎的方法之一是运动图像(MI)。在BCI应用中,电型图(EEG)是对脑动力学的非常流行的测量,因为其无创性质。尽管对BCI主题具有很高的兴趣,但由于在EEG信号中执行模式识别任务的困难,现有系统的性能仍然远非理想。这种困难在于选择正确的脑电图通道,这些信号的信号噪声比以及如何辨别它们之间的冗余信息。BCI系统由多种组件组成,这些组件可以执行信号预处理,特征提取和决策。在本文中,我们定义了一个新的BCI框架,称为增强的融合框架,我们提出了三种不同的想法来改善现有的基于MI的BCI框架。首先,我们包括信号的附加预处理步骤:EEG信号的差异化,使其具有时间不变。其次,我们添加了一个额外的频带作为系统的特征:感觉运动节奏频段,并显示了它对系统性能的影响。最后,我们对如何在系统中做出最终决定做出了深入的研究。我们提出了多达六种类型的不同分类器和广泛的聚合函数(包括经典聚合,Choquet和Sugeno积分及其扩展和重叠函数)的用法来融合所考虑的分类器给出的信息。我们已经在20名志愿者的数据集上测试了这一新系统,该数据集执行基于运动图像的脑部计算机接口实验。在此数据集上,新系统达到了88。精度的80%。我们还提出了一个最高可获得90%占76%的系统的优化版本。此外,我们发现这对choquet/sugeno积分和重叠功能是提供最佳结果的功能。
复杂非线性系统(例如自动驾驶汽车)的控制通常需要可能无法使用或不准确的模型。在本文中,基于数据驱动的方法,用于学习非线性系统的数据驱动方法,以学习学习takagi – Sugeno(TS)模型,提出了一种新型的数据驱动模型预测控制(MPC)框架。为了解决数据TS建模,我们使用了不断发展的TS模糊椭圆形信息颗粒(TS-EEEFIG)方法来获得多型表示形式以及一组成员函数,这些功能允许使用有效的线性控制工具来处理复杂的非线性系统。,采用公式的方法用于赛车的自主驾驶控制问题。拟议的控件使用外部轨迹规划师提供的参考文献,在赛车模式下提供高驾驶性能。基于1/10比例RC汽车的高保真车辆模型,在模拟的赛车环境中验证了控制估计方案,以显示拟议方法的潜力。
癫痫是由脑部神经元异常排出引起的运动,意识和神经的异常功能疾病。EEG目前是癫痫研究过程中非常重要的工具。 在本文中,提出了一种基于类间竞争性学习的新型噪声 - 不敏感的高吉型孔(TSK)模糊系统,以供脑电图识别。 首先,提出了一种称为PCB-ICL的贝叶斯框架中的可能聚类,以确定模糊规则的先例参数。 由可能的C均值聚类继承,PCB -ICL是噪声不敏感的。 PCB-ICL学习竞争关系中不同类别的集群中心。 所获得的聚类中心被同一类的样品吸引,也被其他类的样品排除在外,并从异质数据中推开。 PCB-ICL使用Metropolis-Hastings方法来获得最佳的聚类结果,以交替的迭代策略。 因此,学到的先行参数具有高解释性。 为了进一步提高规则的噪声不敏感性,采用了不对称的期望项和ho -kashyap程序来学习规则的结果参数。 基于上述想法,提出了TSK模糊系统,称为PCB-ICL-TSK。 对现实世界脑电图数据的全面实验表明,所提出的模糊系统可实现脑电信号识别的稳健性和有效性能。EEG目前是癫痫研究过程中非常重要的工具。在本文中,提出了一种基于类间竞争性学习的新型噪声 - 不敏感的高吉型孔(TSK)模糊系统,以供脑电图识别。首先,提出了一种称为PCB-ICL的贝叶斯框架中的可能聚类,以确定模糊规则的先例参数。由可能的C均值聚类继承,PCB -ICL是噪声不敏感的。PCB-ICL学习竞争关系中不同类别的集群中心。所获得的聚类中心被同一类的样品吸引,也被其他类的样品排除在外,并从异质数据中推开。PCB-ICL使用Metropolis-Hastings方法来获得最佳的聚类结果,以交替的迭代策略。因此,学到的先行参数具有高解释性。为了进一步提高规则的噪声不敏感性,采用了不对称的期望项和ho -kashyap程序来学习规则的结果参数。基于上述想法,提出了TSK模糊系统,称为PCB-ICL-TSK。对现实世界脑电图数据的全面实验表明,所提出的模糊系统可实现脑电信号识别的稳健性和有效性能。