用于预测热指数的模糊逻辑模型
本文总结了模糊规则系统在各种领域中的应用、存在的问题以及针对这些问题提出的一些改进方法,尤其着重介绍了基因模糊系统、分层模糊系统、神经模糊系统、演化模糊系统等几种改进方法的原理和应用,同时本文也对该领域未来研究方向提出了一些建议。
Sep, 2022
本文开发了一种Python实现的模糊逻辑控制器,其应用在智能洗衣机领域,旨在优化洗衣机的用电、用水和用洗涤剂的消耗。经过模拟实验表明,该算法能够以较低的计算成本实现更好的洗涤效果。
Oct, 2022
本文介绍了使用自适应神经模糊推理系统 (ANFIS) 来预测组合循环发电厂中的电力生成情况。该模型使用 MATLAB 中的混合算法来训练网络,最终使用三个输入参数来成功预测发电量,并且比现有工具箱快得多。
Oct, 2022
该研究提出了一种数据驱动的暖通空调控制的设计和实现方法,使用符号回归模型和数据驱动方法对建筑热力学进行建模,并采用模型预测控制调度方案以最小化能源消耗和峰值功率需求,实现节能和舒适。
Apr, 2023
通过使用模糊逻辑和强化学习,本文开发了一种自适应照明算法,通过基于环境条件和用户信息的模糊推理系统生成照明设置建议,并通过用户交互和奖励机制实现在线参数调整,以学习用户喜好和适应不同环境条件的能力,从而作为智能光线管理的潜在解决方案。
Sep, 2023
给出了一种基于k-means聚类方法的数据驱动室温预测模型,通过历史数据分析提取系统运行特征并简化系统级模型,提高了泛化能力和计算效率,实验证明该方法能显著减少建模时间而不降低预测准确性。
Feb, 2024
本文提出了一种嵌入到深度学习领域的计算高效的模糊逻辑系统(FLS)学习方法,通过提供计算高效的FLS实现,最小化训练时间并利用深度学习框架中提供的小批量优化器和自动微分机制,解决了FLS学习的挑战,并在基准数据集上展示了深度学习框架在FLS中的高效性。
Apr, 2024
通过改进Interval Type-2 Fuzzy Logic Systems (FLSs)来提高高风险场景下的预测区间(Prediction Intervals)生成,包括增加Karnik-Mendel (KM)和Nie-Tan (NT)方法的灵活性、通过参数化技巧解决大规模学习挑战、对抗维度灾难问题,以及引入高维Takagi-Sugeno-Kang方法来增强不确定性量化和提高学习性能。
Apr, 2024
本论文通过采用 Zadeh 的 GT2 Fuzzy Set 定义,旨在学习能够在高精确度下可靠地实现高品质预测区间的 General Type-2 Fuzzy Logic Systems,并通过整合 Z-GT2-FS 与 α-plane 表示法来增加 GT2-FLS 的设计灵活性,提供了学习高维数据的解决方案,并发展了一个具有高性能的学习双重关注的 Z-GT2-FLS 深度学习框架,并通过统计分析表明,与具有更多可学习参数的 GT2 和 IT2 模糊对应物相比,Z-GT2-FLS 不仅表现出高精确性能,还产生了高品质预测区间,显示出巨大的不确定性量化潜力。
Apr, 2024
利用太阳能满足空气供暖和生活热水需求在环境和成本方面非常高效,但要确保全年用户需求得到满足,需要结合辅助供暖系统,通常为锅炉和热泵。为了在小型家庭装置中部署先进的控制策略,我们提出了一种利用机器学习自动构建和持续适应预测热量生产模型的方法,该设计基于从低成本仪器中提取的监督信息构建和调整模型,避免了极高的准确性和可靠性要求;在推理时,使用通常在公开的天气预报中提供的输入。通过注意力机制的机器学习解决方案满足了我们的要求,我们提出了解决方案的良好实证结果,并讨论了这些结果对整个系统的影响。
May, 2024