به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

adaptive network-based fuzzy inference system

در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه adaptive network-based fuzzy inference system در مقالات مجلات علمی
  • Mojtaba Mohamadkhani, Reza Radfar *, Nazanin Pilevari Salmasi, Mohammadali Afshar Kazemi

    Previously, companies relied only on internal intellectual resources and tried to develop and commercialize ideas within the organization. The open innovation approach leads companies to make more use of external technologies in their activities and allows other companies to use their innovations. Open innovation methods have a high diversity, but each economic enterprise should use one or more methods compatible with the company's situation according to its conditions. In the current research, an Adaptive Network-based Fuzzy Inference System (ANFIS) has been used as one of the methods of artificial intelligence and MATLAB software to choose the appropriate method of open innovation in the automotive industry. For this purpose, two inputs under the title of company's technical knowledge level and the complexity of parts technology and nine possible modes for the output, including all kinds of open innovation methods, are considered in the fuzzy inference system so that by using the existing rules, a technique suitable to the company's conditions can be extracted. In this research, 50% were considered training data for model design, and 50% were considered test data for model evaluation. The designed model selected open innovation methods with 90% accuracy. Therefore, the presented model is a suitable tool for choosing the open innovation method for the automotive industry.

    Keywords: Open Innovation, Automotive Industry, Open Innovation Methods, Adaptive Network-Based Fuzzy Inference System
  • محسن جهان تیغ، مجید معظمی *

    امروزه با توجه به رشد گسترده و نفوذ استفاده از منابع تولید پراکنده در شبکه های هوشمند، پیش بینی بار خالص شبکه با در نظر گرفتن اثر تولیدات پراکنده اهمیت قابل توجهی پیدا کرده است. در این مقاله یک روش بهینه سازی ترکیبی به منظور پیش بینی احتمالاتی بلندمدت بار خالص شبکه با استفاده از روش تحلیل اجزای همسایگی و حل مساله رگرسیون به روش mini-batch-LBFGS و ترکیب پیش بینی های به دست آمده با استفاده از سیستم استنتاج عصبی- فازی تطبیقی ارایه شده است. این ساختار شامل ترکیب چندین پیش بینی بلندمدت از جمله پیش بینی بار، توان یک ایستگاه خورشیدی و توان یک مزرعه بادی با توربین های بادی مجهز به ژنراتور القایی دوسوتغذیه است. پیش بینی بار خالص و بررسی وابستگی موجود بین خطاهای پیش بینی بار و توان های خورشیدی و بادی نیز در این مقاله مورد مطالعه قرار گرفته است. نتایج شبیه سازی روش پیشنهادی و مقایسه آن با مدل های تایو و رگرسیون چندکی نشان می دهد که درصد میانگین مطلق خطا برای پیش بینی های بار و توان های خروجی ایستگاه خورشیدی و مزرعه بادی به ترتیب به میزان 947/0%، 3079/0% و 0042/0% بهبود یافته است که کاهش خطای کلی پیش بینی را سبب می شود.

    کلید واژگان: پیش‏ بینی احتمالاتی بلندمدت بار، تحلیل اجزای همسایگی، سیستم استنتاج عصبی- ‏فازی، شبکه هوشمند، تولید بادی، تولید فوتوولتائیک
    Mohsen Jahantigh, majid moazzami *

    With the growth and integration of distributed generation resources in smart grids, net load forecasting is of significant importance. A hybrid optimization method is proposed in this paper for probabilistic net load forecasting using neighborhood component analysis and solving regression problem with the aid of mini-batch LBFGS method. Net load forecasting is suggested in this paper trough forecast combination via adaptive network-based fuzzy inference system. The structure includes a combination of several long-term forecasts, including forecasts of load, the generation of a solar station, and the generation of a wind farm with wind turbines equipped with doubly-fed induction generator. Also, the net load forecasting and the relationship between errors of load, wind and solar predictions are studied in this paper. The simulation results of the proposed method and its comparison with Tao and quantile regression models show that mean absolute percentage error of load forecasting, and the forecasts of solar and wind generations improved by 0.947%, 0.3079% and 0042%, respectively which result to a decrease in net load forecasting error.

    Keywords: Long term probabilistic load forecasting, neighborhood component analysis, adaptive network-based fuzzy inference system, smart grid, wind generation, solar generation
  • حمیدرضا افتخاری*
    آگاهی از گونه سفر و الگوی حرکت شهروندان  همواره مورد توجه مدیران شهری در حوزه مدیریت حمل و نقل و ترافیکبوده است. بهنگام نبودن و هزینه اجرایی روش های سنتی جمع آوری اطلاعات مانند استفاده از پرسشنامه و ظهور فنآوری های جدید موجب شده است تا از ابزارهای ارتباطی همچون تلفن همراه جهت جمع آوری و تحلیل داده های ترافیکی استفاده شود. در این میان قابلیت های شبکه های وای-فای تلفن همراه همچون عمومیت، قابلیت دسترسی بالا و هزینه پایین، مورد توجه سامانه های حمل و نقل هوشمند بوده است.در این پژوهش با استفاده از تعریف سه ویژگی بر روی سیگنال های جمع آوری شده از وای- فای کاربران و بهره گیری از مدل شبکه فازی-عصبی تطبیقی، کاربران ناحیه تحت پوشش در سه دسته طبقه بندی می گردند. این سه دسته عبارتند از: عابرین پیاده، خودروهای عبوری و کاربرانی که در ناحیه مذکور توقف طولانی مدت داشته اند.. نتایج نشان می دهد، مدل پیشنهادی به ازای بکارگیری روش خوشه بندی کاهشی برای تعیین تابع عضویت اولیه ویژگی ها توانسته است با دقت 83 درصد کاربران مذکور را طبقه بندی نماید .همچنین میزان صحت و بازخوانی تشخیص خودروهای عبوری در این ناحیه به ترتیب 75 و 90 درصد است.
    کلید واژگان: پویشگروای -فای، شبکه فازی-عصبی، سامانه های حمل و نقل هوشمند، گونه سفر
    Hamidreza Eftekhari *
    Recognizing the pattern of movement and the traveling mode is one of the most important issues in the field of urban analysis and transportation management. Disadvantages of the traditional method such as the questionnaire is the lack of availability and cost. So, after the emergence of new technologies, communication tools such as mobile phones are used to collect and analyze traffic data. The Wi-Fi network has been considered by intelligent transportation systems due to high availability and low cost. In this research, users in the specific area are classified into three categories using the Wi-Fi scanner. Pedestrians, passing cars and users who stop in the area for long time. This classification has been made using the extraction three features on the users' Wi-Fi signals and using an adaptive network-based fuzzy inference system (ANFIS) model. The results show that the proposed model for using the subtractive clustering method in the first layer of ANFIS to determine the initial membership function of the features has been able to classify the three categories with a accuracy of 84%, and the precision and recall of the user's detection Which used cars in this area, was 75% and 90%, respectively.
    Keywords: Mode Detection, Wi-Fi Probe, Intelligent Transportation System, Adaptive Network-based Fuzzy Inference System
  • رامین دوست محمدی*، مهدی موسوی
    پوشش بتنی تونلهای حفر شده در زمینهای مستعد تورم تحت تنش تابع زمان قرار دارد. یکی از روش های تعیین مقدار تنش، استفاده از روش جبران و نصب جکهای تخت می باشد. در این روش ابتدا یک جفت پین اندازه گیری بر روی سطح پوشش بتنی در دو طرف محل شکافی که بعدا ایجاد خواهد شد نصب می گردند. فاصله بین این پینها توسط یک جابجایی سنج دقیق ثبت می شود. سپس یک شکاف توسط یک اره مدور الماسه ای در محل از پیش تعیین شده مابین دو پین ایجاد می گردد. در اثر این شیار، تنشها در بتن آزاد شده که عموما منجر به همگرایی پینها می شود. سپس یک سلول فشار هیدرولیکی (جک تخت) در داخل شکاف قرار گرفته و به یک پمپ هیدرولیکی وصل می گردد. در نهایت جک تخت بارگذاری شده تا تغییر شکل ایجاد شده به حالت اولیه خود باز گردد و بدین ترتیب تنش القایی در پوشش تعیین می گردد. رفتار متغیر و تابع زمان زمین های نرم در فضاهای زیرزمینی بیانگر این مطلب است که در صورت استفاده از روش جبران، بایستی ابزارهایی مانند پمپ را به صورت دوره ای و در طول سالها به محل مطالعه حمل و زمان زیادی را صرف قرائت نمود. در این تحقیق توانایی سیستم استنتاج تطبیقی نرو-فازی (انفیس) در تخمین آسان و سریع این تنش سنجیده و تایید می شود. آزمایشهای تعیین تنش در پوشش بتنی تونل تهویه مغار نیروگاه سد مسجد سلیمان به عنوان مورد مطالعاتی این تحقیق استفاده شده است. استفاده از این روش، طراح را قادر می سازد تا تنش در پوشش را بوسیله قرائت فاصله بین پین ها پیش بینی نماید.
    کلید واژگان: تنش در پوشش بتنی تونلها، روش جبران، جک های تخت، سیستم استنتاج تطبیقی نرو، فازی
    Ramin Doust Mohammadi*, Mahdi Mousavi
    Concrete liner of excavations in swellable rocks is under time dependent stress. One of the most famous methods for determining the stress is compensation method using flat-jacks. As the first step، measuring pins are cemented on the surface of the concrete lining in an appropriate arrangement on both sides of the planned cut. The distances between the pins are recorded by an accurate displacement sensor. Following the zero measurement، a slot is cut with a diamond-tipped circular saw blade. Hydraulic pressure cell (flat-jack) is inserted into the slot and is connected with a hydraulic pump fitted to a precision manometer. Finally، the flat jack is loaded until the relief-induced deformations are compensated. Since swelling is a time dependent behavior، the stress of liner changes with time. This needs a periodic measurement using heavy pumping device and requires a time consuming process. In this paper، the ability of adaptive network based fuzzy inference system is examined to predict the mentioned stresses. The performed compensation test at Masjed-Soleiman underground power house has been used as an example to illustrate the method. Using this method an engineer is enabled to predict the lining stress by reading the slot closure across a flat jack device.
    Keywords: Stress in concrete liner, Compensation method, Flat jacks, Adaptive network based fuzzy inference system
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال