XiaoMi-AI文件搜索系统
World File Search SystemSugeno
Sugeno积分对汇总间隔值数据的概括：大脑计算机接口和社交网络分析的应用
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。
用于光伏能源系统电池管理的高木关野模糊控制器的设计和实时数字模拟器实现
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。
使用信号推导和聚合功能的基于电动机的大脑计算机接口
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。
使用在线TS模糊...
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。
通过噪声不敏感的TSK模糊系统基于阶级竞争性学习
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。