اخیرأ استفاده از مدل های ریاضی برای شبیه سازی کیفیت آب رودخانه ها توسعه زیادی یافته که به دلیل پیچیدگی و تعدد فرایندهای کیفی منابع آب سطحی و وجود ضرایب و ثابت های شیمیایی و بیولوژیکی متعدد، استفاده از سیستم استنباط فازی-عصبی تطبیقی، روشی نو جهت پیش بینی کیفی رودخانه هاست. در این مقاله ضمن بیان مبانی این سیستم به منظور پیش بینی کیفی آبهای سطحی، کاربرد آن با مجموعه ای از داده های 16 ساله از اکسیژ...

اخیرأ استفاده از مدل‌های ریاضی برای شبیه‌سازی کیفیت آب رودخانه‌ها توسعه زیادی یافته که به دلیل پیچیدگی و تعدد فرایندهای کیفی منابع آب سطحی و وجود ضرایب و ثابت‌های شیمیایی و بیولوژیکی متعدد، استفاده از سیستم استنباط فازی-عصبی تطبیقی، روشی نو جهت پیش‌بینی کیفی رودخانه‌هاست. در این مقاله ضمن بیان مبانی این سیستم به‌منظور پیش‌بینی کیفی آبهای سطحی، کاربرد آن با مجموعه‌ای از داده‌های 16 ساله از اکسیژ...

شبکه های عصبی فازی نوع-2 توانایی بالایی در شناسایی و کنترل سیستم های غیرخطی، سیستم های تغییرپذیر با زمان و نیز سیستم های دارای نامعینی دارند. در این مقاله روش طراحی کنترل کننده معکوس تطبیقی عصبی فازی نوع-2 جهت کنترل برخط سیستم های دینامیکی غیرخطی مورد بررسی قرار گرفته است. ابتدا ساختار کلاسی از شبکه های عصبی فازی نوع-2 بازه ای مدل t-s نمایش داده می شود. این شبکه هفت لایه دارد که عملیات فازی ساز...

معادلات حالت سیستم پاندول معکوس به شکل متعارف کنترل‌پذیر بوده و شامل دو تابع غیرخطی می‌باشد. از آنجائی که شبکه‌های فازی عصبی تطبیقی دارای خاصیت تقریب‌زنی عمومی می‌باشند، در این مقاله از این ویژگی برای مدلسازی توابع مذکور استفاده می‌شود. سپس بر اساس روش خطی‌سازی با فیدبک و کنترل فازی تطبیقی و با استفاده از مدل شبکه‌های فازی عصبی تطبیقی، کنترل کننده مناسب برای سیستم پاندول معکوس طراحی گردیده است....

معادلات حالت سیستم پاندول معکوس به شکل متعارف کنترل‌پذیر بوده و شامل دو تابع غیرخطی می‌باشد. از آنجائی که شبکه‌های فازی عصبی تطبیقی دارای خاصیت تقریب‌زنی عمومی می‌باشند، در این مقاله از این ویژگی برای مدلسازی توابع مذکور استفاده می‌شود. سپس بر اساس روش خطی‌سازی با فیدبک و کنترل فازی تطبیقی و با استفاده از مدل شبکه‌های فازی عصبی تطبیقی، کنترل کننده مناسب برای سیستم پاندول معکوس طراحی گردیده است....

با توجه به عدم امکان ذخیره انرژی­الکتریکی ، شناسایی عوامل­موثر بر تقاضای این حامل انرژی و پیش­بینی دقیق روند آتی آن، ضرورت دارد . تاکنون روش­های مختلفی در این زمینه مورد استفاده قرار گرفته است که در میان آن­ها روش­های هوشمند و به­ویژه روش­های فازی، دارای قابلیت­های بیشتری هستند. در مطالعه حاضر از سیستم ­ استنتاج عصبی- فازی ترکیب شده با الگوریتم انبوه­ذرات ( pso  -anfis ) استفاده شده و پس ازشبیه...