当前世界环境

介绍

在粗糙集中，数据分析从表示信息系统的决策表或信息表开始。^30.广泛的科学和医疗应用，特别是在模式识别领域，数据挖掘，机器学习和过程控制系统采用粗糙集作为合适的工具。²⁹Zadeh在1967年向研究人员和数学家介绍了模糊集理论，他说，建模一个系统不需要有一个精确的数值信息输入。⁴⁰本研究运用Sugeno方法的模糊集理论将给定输入映射到输出的模糊推理系统。²⁴人工Ann（ANN）模型是由Rosenblatt于1958年开发的。³¹人工神经网络的功能类似于人脑，通过学习过程获取知识。自适应神经模糊推理系统(ANFIS)作为一种趋势自适应神经模糊推理系统被广泛应用于日降雨预测建模。¹⁸改进的ANFIS用于模拟巴生河流域的降雨事件;在马来西亚的报道更准确。²

将人工神经网络和模糊逻辑方法应用于我国不同地区的天气预报，结果表明，所提出模型的预报精度优于其他现有方法。^4、5将ANFIS应用于干旱预报，提高了预报精度。⁶大多数数据驱动模型可以提高降雨预测的准确性。^20日16应用ANFIS模型进行降雨预测。¹⁵开发了一种神经模糊模型，以预测大田在韩国的每月降雨。神经模糊模型在Maharlu-Bakhtegan流域预测年度干旱条件下的应用，报告神经模糊模型作为合适的方法。^7、9应用ANFIS在伊朗粉刺平原地下水位预测中的预测。¹⁰开发了伊朗Dez盆地长期流流预测的ANFIS。ANFIS应用于Khorasan Razavi报告的ANFIS作为合适工具的降雨。¹¹

ANFIS的明显优势是，它可以在一个框架中捕获两个模型的好处。¹³ANFIS模型用于预测该地区Junagadh（印度）的季风降雨显示神经模糊作为优越的型号。^18日17结果表明，基于模糊推理和人工神经网络的洪水预报方法的预报性能优于现有的洪水预报方法。将一种基于粗糙集的模糊神经网络算法应用于天气预报，其预报精度优于现有模型。^19，21与人工神经网络相比，ANFIS能够更准确地进行地下水位预测。²²审查了澳大利亚东南部降雨预测的ANFIS模型的适用性。

同样，在马什哈德使用神经模糊推理系统对降雨事件进行评估时，报告ANFIS是一种适合预测的模型。²⁵神经模糊和ANN模型的性能评估显示模糊模型作为最合适的模型。²⁶结合模糊逻辑的神经模糊天气预报模型在新加坡Kranji流域的降雨-径流模型优于现有的方法。^37岁的36综述了模糊技术在工业过程建模与监控中的适用性。河流流量也采用神经网络模型。⁸文献报道表明，目前模糊和人工神经网络系统在天气预报中应用广泛。²⁸在过去的十年中，人们已经认识到ANFIS在各种水文预测中的应用所带来的好处。²³

材料和方法

在本研究中，使用上述输入方法检验ANFIS模型，以提高预测率。在本研究中，特征减少前的初始天气输入包括8个观测参数:{O_p1:最高温度),O_p2:最低温度，O_p3：相对湿度1，o_p4：相对湿度2，o_p5：风速，o_p6:太阳辐射、阿_p7：阳光和o_p8:蒸散}。

利用完整特征集来寻找约简，以提高粗糙神经模糊推理系统的学习潜力。随后，穷尽子集搜索生成所有可能的子集约简{O_p2阿,_p4阿,_p5阿,_p6阿,_p7}，{op2，o_p3阿,_p4阿,_p7阿,_p8}和{Op2, O_p3阿,_p4阿,_p6阿,_p7阿,_p8}以确定在模拟降雨预报中可能有效的观测参数。ANFIS将输入成员映射到一个预期的输入成员函数，然后将MF输入到一组if-then规则。派生的输出规则集特征被映射到输出成员关系，输出mf被转换为与输出相关联的单值决策。¹²

增强的数据驱动预测模型

所提出的ARNFA是基于粗糙集的特征选择和神经模糊推断的预测方法的序列杂交模型。在FIS中，采用模糊规则来推断出新的近似模糊集合结论，同时占据模糊会员资格作为基础。FL方法主要应用于不精确的情景，这很难正如在这一提出的降雨预测方案中那样精确设计。应用程序或研究问题是模糊的，那么模糊推理系统可以是最合适的模型。^39岁,14表示ANFIS是一种饲料前进神经网络，由监督学习构建。通过越来越多的自适应智能系统来解决现实世界要求，吸引了ANN和FIS的特征引起了研究人员的上升。¹

ANFIS将输入成员映射到一个预期的输入成员函数，然后将MF输入到一组if-then规则。派生的输出规则集特征被映射到输出成员关系，输出mf被转换为与输出相关联的单值决策。¹²计算时间复杂度和规则数量会随着输入变量的数量而增加。ANFIS最大的问题是，如果输入的数量超过5个，那么系统将无法准确地模拟输入的输出。

图1:自适应粗糙神经模糊 基于方法的混合智能系统 点击这里查看图

输入数据选择阶段- ARNFA

采用基于粗糙计算的最大频率加权约简选择方法识别最相关的天气参数，提高神经模糊系统的学习潜力。本文提出的输入选择方法是基于信息增益和粒子群优化搜索的。特征选择是一项密集的任务;这些技术提高了训练算法的性能，同时最小化了多余输入值造成的误差，³³³⁴和³⁵使用最大频率加权选择（MFWFR）产生的特征子集;信息增益（IG）和粒子群优化（PSO）方法用于输入选择。³²在模型训练阶段，使用输入选择模型生成的特征减少用于训练算法。如图1所示的数据驱动的混合系统通过完整和缩小的特征输入来评估，以证明特征减少的重要性。该建议的模型规范了预处理参数设置，以便于匹配训练数据的自适应神经模糊推理系统输出。在模型训练阶段，使用三个输入数据模型生成的特征子集（减小）用于培训学习算法。自适应神经模糊推理系统，基于模糊的规则的分类技术和最近的进化分类模型用于训练降雨预测的模型。为了识别输入参数的最佳混合来实现所需的精度，使用基于粗糙集的最大频率加权选择，信息增益和基于PSO的特征选择计算的完整功能集的最佳减少。

在ARNFA中使用的FIS有五个处理级别，例如：模糊，生产，归一化，排斥和聚合层，以及每个层的输入和输出关系。²⁷在模型评估阶段，根据现有技术对ARNF模型性能进行评估。利用WEKA对基于自适应网络的模糊推理系统以外的基准分类方法进行了评价³⁸和龙骨。^3.ARNFA与现有模型的比较研究如表1所示。

为了识别输入参数的最佳混合以达到期望的精度，采用基于粗糙集的最大频率加权约简选择、信息增益和基于粒子群算法的特征选择计算了完整特征集的最优约简。在过去的十年中，人们已经认识到ANFIS在各种水文预测中的应用所带来的好处。²³

ARNFA - 学习和评估阶段

在模型训练阶段，使用三个输入数据模型生成的特征子集（还原）用于培训学习算法。自适应神经模糊推理系统，基于模糊的规则的分类技术和最近的进化分类模型用于训练降雨预测的模型。估计所提出的模型性能，并评估模型评估阶段的现有技术。除了基于自适应网络的模糊推理系统之外，还使用Weka评估其他学习技术。³⁸和龙骨。^3.采用KEEL和WEKA对PSO、ACO和模糊规则分类方法进行了评价。本模型与现有模型的比较研究如表71所示。

图2：自适应粗糙的进化 神经进路工艺流程设计 点击这里查看图

结果和讨论

在表1中投影了在减少之前和之后的分类模型获得的准确率。实验结果表明，在减少特征后，分类模型的精度率改善。与进化和模糊规则的分类方法相比，性能评估结果已经确定了神经模糊推理系统作为一种适当的降雨预测模型。

表1:现有与提出的混合模型的预测精度。

在使用mfrs算法生成的特征约简进行训练时，所提出的ARNFA达到了95.49%的准确率。与基于信息的特征约简和PSO方法相比，该方法在粗糙集最大频率加权特征约简训练时具有更好的性能。

结论

大多数属类分类技术报告在预测准确性方面有了实质性的改进。但对于实时水文预报建模而言，所获得的精度并不显著。研究结果表明，全球预测方法在模拟区域水文预报中是一个微不足道的工具。为此，提出了一种融合粗糙计算、模糊计算、进化计算和神经计算各阶段的领域混合结构，以达到预期的预测精度。

承认

我想表现出对本研究过程中的信息技术和工程学院的感谢，以及在这项研究过程中的资源大学，并感谢“匿名”审稿人的所谓洞察力。我非常感谢他们对早期版本的稿件的评论。

参考

1. 亚伯拉罕,a(2001)。神经模糊系统:最先进的建模技术，神经元、学习过程和人工智能的连接主义模型《计算机科学课堂讲稿》施普林格柏林海德堡，269-276。
   CrossRef
2. Akrami, S. A. A. El-Shafie Abraham和O. Jaafar(2013)。利用改进的自适应神经模糊推理系统(MANFIS)提高降雨预报效率，水资源管理27日:3507 -
3. Alcala- fdez, J.， R. Alcala和F. Herrera(2011)。基于模糊关联规则的高维问题分类模型，IEEE浅谈模糊系统, 19(5): 857 - 872。
4. Al-Matarneh, L.， A.Sheta, S. Bani-Ahmad, J. Alshaer和I. Al-oqily(2014)。利用神经网络和模糊逻辑开发基于温度的天气预报模型，国际多媒体与泛在工程杂志，9 (12): 343 - 366
   CrossRef
5. Bacanli，U. G.，Firat和F. Dikbas（2009）。适应性神经模糊推理系统，用于干旱预测，随机环境研究和风险评估23日:1143 - 1154。
   CrossRef
6. 郑中华、欧全平及周国伟(2002)。结合模糊优化模型和遗传算法求解多目标降雨径流模型定标，《水文，268（1）：72-86。
   CrossRef
7. Choubin, B.， S. Khalighi-Sigaroodi, A. Malekian, S. Ahmad和P. Attarod(2014)。利用气候信号进行半干旱流域干旱预测:神经模糊建模方法，材料科学杂志11 (6): 1593 - 1605
   CrossRef
8. 乔杜里，X.和P.罗伊(2015)。利用人工神经网络预测河流系统的并行流量，水文工程学报，20（8）：1-7。
   CrossRef
9. Emamgholizadeh, S.， K. Moslemi和G. Karami(2014)。利用人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)预测伊朗巴斯塔姆平原地下水位，水资源管理、28日:5433 - 5446。
   CrossRef
10. esmaelzadeh, S. R.， A. Adib和S. Alahdin(2015)。利用卫星图像和k-fold交叉验证的自适应神经模糊推理系统的长期水流预测(案例研究:Dez, Iran)，ksce土木工程学报19(7): 2298 - 2306。
    CrossRef
11. Fallah-Ghalhary, G. A.， M. Habibi-Nokhandan, M. Mousavi-Baygi, J. Khoshhal和A. S. Barzoki(2010)。基于自适应神经模糊推理系统的远程联动控制春季降雨预测理论应用气候学, 101: 217 -
12. Hayati, M.， A. M. Rashidi和A. Rezaei(2011)。应用自适应神经模糊推理系统预测纳米镍镀层晶粒尺寸，固体科学，13（1）：163-167。
13. HIPNI，A.，A.，A. El-Shafie，Najah，O. A. Karim，A.Hussain和M. Mukhlisin（2013年）。DAM水位的日常预测：将支持向量机（SVM）模型与自适应神经模糊推理系统（ANFIS）进行比较，水资源管理、27：3803-3823。
    CrossRef
14. 黄春玲，徐南生，魏春春，罗昌文(2015)。利用人工智能检索自适应网络模糊推理系统的最优参数和结构气象学的进展， 2015, 1- 22。
    CrossRef
15. zheng, C.， Shin, T. Kim and J. Heo(2012)基于神经模糊模型的月降水预测，水资源管理、26日:4467 - 4483。
    CrossRef
16. Kisi, O.， J. Shiri和M. Tombul(2013)。利用软计算技术模拟降雨径流过程，电脑和地球科学, 51:108 - 117。
    CrossRef
17. Kumar, R.， N. K. Goel, C. Chatterjee和P. C. Nayak(2015)。利用软计算技术进行区域洪水频率分析，水资源管理，29：1965-1978
    CrossRef
18. Kyada, P. M.和P. Kumar(2015)。应用自适应神经模糊推理系统模型的日降雨预报，国际科学与自然杂志6(3): 382 - 388。
19. 李凯、刘玉玲(2005)。基于粗糙集的模糊神经网络天气预报算法，机器学习和网络通知会议的诉讼程序, 1888 - 1892,广州。
20. 鲁，J.，薛，X.张，张和W.Lu（2014）。基于神经模糊推理系统的天气预报模型及其降水预测实验，大气,5:788-805。
    CrossRef
21. Maiti，S.和R.K.Tiwari（2014年）。人工神经网络，贝叶斯神经网络和地下水位预测中自适应神经模糊推理系统的比较研究，环境地球科学，71：3147-3160。
    CrossRef
22. Mekanik，F.，A. Imteaz和A. Talei（2015）。基于自适应网络的模糊推理系统（ANFIS）使用大规模气候信号的季节降雨预测，气候动力学,45(1): 1 - 15。
23. Nayak, P. C.， K. P. Sudheer, D. M. Rangan, and K. S. Ramasastri(2005)。Short‐term flood forecasting with a neurofuzzy model，水资源研究，41(1): 1 - 16。
24. Negnevitsky, m(2005)。人工智能:智能系统指南。培生教育有限公司，英国埃塞克斯。
25. Niksaz, P.和a.m. Latif(2014)。基于自适应神经模糊推理系统的降雨事件评价国际信息技术与计算机科学杂志，9：46-51。
    CrossRef
26. Oyediran, o.f.和a.b. Adeyemo(2013)。天气预报研究中神经网络MLP和ANFIS模型的性能评估，非洲计算机与信息通信技术学报，6（1）：147-164。
27. Panchal, R.， M. V. Suryanarayana和F. P. Parekh(2014)。降雨径流模型的自适应神经模糊推理系统，国际工程研究与应用学报，4:202 - 206。
28. Pant，L. M.和A. Ganju（2004）。基于模糊的基于规则的直接行动雪崩的系统，当前科学, 87(1): 99 - 104。
29. Pawlak，Z.（2002）。粗糙集及其应用，电信与信息技术学报3: 7 - 10。
30. pswlakz(1982)。粗糙集,国际计算机与信息科学杂志，11（5）：341-356.Crossref
31. Rosenblatt，F.（1958）。Perceptron：大脑中信息存储和组织的概率模型，心理审查, 65(6):原始素材。
32. Sudha，M。（2017）。基于粗糙集和模糊逻辑方法的智能决策支持系统，有效降水预测，决策科学的信件6(1): 96 - 105。
33. Sudha, M.和B. Valarmathi(2016)。基于粗糙集的最大频率加权特征约简技术识别短期降雨预测的有效特征和分类器，计算与信息技术学报．24(2): 181 - 194。
    CrossRef
34. Sudha，M.和B. Valarmathi（2015年）。混合智能计算在识别用于建模有效降雨预测的建设性天气参数中的影响，Agris在经济学和信息学中的线篇论文7(4): 151 - 160。
    CrossRef
35. Sudha, M.和B. Valarmathi(2014)。基于主成分分析的多变量降雨数据显著属性集识别国际应用环境科学杂志，9（4）：1595-1602。
36. Takagi，T.和M. Sugeno（1985）。模糊识别系统及其应用于建模与控制，系统人与控制论汇刊, 1:116 - 132。
    CrossRef
37. Talei，A.，L. H.C.C.Chua和C. Quek（2010）。基于事件的降雨径流建模的神经模糊计算技术的新型应用，具有应用的专家系统37: 7456 - 7468。
    CrossRef
38. 威腾，I. H.和E. Frank(2005)。《数据挖掘:实用机器学习工具和技术》，摩根·考夫曼，旧金山525。
39. 杨，Z.，Y. Liu和C. Li（2011）。基于ANFI的缺失风数据插值。可再生能源，36（3）：993 - 998。
    CrossRef
40. Zadeh，L.A（1965）。模糊套，信息和控制8: 338 - 353。
    CrossRef