文摘
自适应神经模糊推理系统(简称ANFIS)两者优势的混合人工神经网络(ann)和模糊逻辑(FL)在一个单一的框架。它提供了快速学习能力和适应性的解释能力模型复杂的模式和体会非线性关系。简称ANFIS各领域已经应用和实践,经常反复出现的问题的解决办法提供了改进的时间和空间复杂性。标准简称ANFIS具有一定局限性如高计算代价,损失较大的输入,可解释性的诅咒的维度,选择合适的隶属度函数。本文总结了标准简称ANFIS不适合复杂的人工任务,需要精确的机器和系统的处理。最先进的和实践讨论了研究问题,它们主要关注的适用性简称ANFIS多元化领域的工程科学。我们得出这样的结论:标准简称ANFIS架构合并metaheuristic技术时确实有了很大的改进和进一步放缓表面通过校准和调优参数的算法。重大调整和复杂的工程任务自动化,目前依靠人类的自由裁量权,著名的机械、电气、和地质领域。
1。介绍
机器学习领域包含各种各样的模型的基础上,学习能力,适应能力,复杂性,和可伸缩性。一些受欢迎的技术是模糊逻辑,极端的学习机器,提高,装袋,人工神经网络,等。许多研究人员使用机器学习算法基于这些技术回归,决策树,随机森林,随机梯度,支持向量解释变量(SVR)等及其集合体其他优化技术1]。提出了混合动力汽车的技术和发展,倾向于解决他们的缺陷以及提供鲁棒性和强大的预测能力。这样一个技术与神经网络和模糊系统的内在潜力简称ANFIS [2),它提供了伟大的估计精度。,low Mean Magnitude of Relative Error (MMRE) and high Prediction (PRED).
简称ANFIS是最受欢迎的去噪模型近似的高度复杂的非线性系统。简称ANFIS的关键方面是使用精确的模糊模型的准确性和可解释性,提高其泛化能力。简称ANFIS突出了研究人员对其鲁棒性模型模糊集之间在提供脆脆的输入和输出的模糊规则推理的目的。具有讽刺意味的是,简称ANFIS必须平衡accuracy-interpretability权衡(3]。简称ANFIS讨论的优点和缺点表1。这是相当重要的简称ANFIS找到隶属函数的类型和数量,合适的流程或系统。简称ANFIS通常是非常有效的,直到输入的数量低于5 (4]。现代工程系统有更多的输入问题的复杂性的增加,例如,信号处理在一个高度混乱的环境中,洪水敏感性检测在流域管理,精确的核电站仪控系统的协调,等等。
最初,简称ANFIS设计使用梯度下降法(GD)和最小二乘估计(LSE)优化其参数。广东是一个非常受欢迎的优化算法,通常用于训练神经网络。它使用反向传播方法计算梯度,因此最简单的计算系统。伦敦证交所的优化方法在回归模型中是很常见的。计算最小平方误差的总和,找到最优系数的错误。然而,这些都不是有效的模型复杂的工程任务,在本质上是高度非线性的,需要精确的控制系统。然后,它提供了一个机会来改善简称ANFIS的能力。
GD是一个基本的优化算法,当系统的非线性增加。因此,它可能无法找到全球最佳状态和被困在局部最小值。对于大型数据集,冗余计算执行相同的训练数据集,减缓收敛。它具有较高的计算成本,经常更新权值的神经网络,浪费计算资源。
伦敦是一个基本的优化方法,对离群值非常敏感。它的性能是影响数据不是正态分布时,在大多数情况下导致过度拟合。伦敦政治经济学院比GD计算昂贵,变得缓慢增加系统的复杂性。
简称ANFIS是饱受其基本结构中固有的问题。使用的优化算法从而有助于改变简称ANFIS的性能。Metaheuristic技术协助简称ANFIS寻找最优的解决方案和准确的预测。Metaheuristic技术提供一个高级和problem-independent组指令开发优化技术。发现了这些技术优于传统的优化技术。他们的目标是计算一个“足够好”的解决方案在“很小”计算时间不受组合爆炸5]。因此,解决方案获得快速和高效,使优化问题的定义。有了杂化的各种研究论文标准简称ANFIS架构包括metaheuristic算法优化简称ANFIS前提和顺向参数(6]。这些优化技术可以提高标准简称ANFIS架构(7,8]。
本文分为四部分:部分1提供介绍,部分2包含审查方法,部分3包含结果和讨论,以及部分4描述了结论和未来的研究方向。
这个表展示了原始简称ANFIS系统的优缺点,所设计的j.s罗杰张成泽。这些限制是不适合使用在现代,真实世界的系统,因此,需要解决部署在生产机器。
2。方法
在本节中,我们已经讨论了经典简称ANFIS [2),不同的研究问题,审查包容和排除标准,数据源描述和研究选择过程(9]。在图所示的步骤1。
2.1。自适应神经模糊推理系统
J.S.二人于1993年自适应神经模糊推理系统,开发了罗杰·张成泽被广泛视为普遍估计或Takagi-Sugeno模糊系统。Takagi-Sugeno模糊模型3型模糊推理系统中,规则的输出是输入变量的线性组合与一个常数,最后输出的加权平均每个规则的输出。
的if - then规则3-input Takagi-Sugeno系统描述如下。(我)规则1:如果x是一个1,y是B1,z是C1,然后 (2)规则2:如果x是一个2,y是B2,z是C2,然后 (3)规则3:如果x是一个3,y是B3,z是C3,然后 在哪里x,y,z脆的输入设置;一个我,B我,C我语言标签;p我,问我,r我随之而来的参数;f1,f2,f3输出的模糊隶属度函数。
简称ANFIS的标准体系结构,在图2,由五层相互连接的神经元,明显的人工神经网络具有相似的功能。架构简要解释如下。
2.1.1。图层1
它是模糊化层,每个神经元都是一个自适应节点和脆的输入的模糊值。
计算节点的输出如下: 在哪里μ是一个模糊集的隶属函数吗一个我,B我,C我。无数的隶属度函数存在,即。,Gaussian, Trapezoidal, Triangular, etc. We prefer a bell-shaped function in ANFIS. Hence, the Gaussian function is the optimum choice. The formula for Gaussian function is 在哪里一个,b,c简称ANFIS的前提隶属函数的参数。
2.1.2。层2
这是一个隐含层的神经元包含产品输入,即。前提的重量参数。计算节点的输出如下: 在哪里是神经元的重量。
2.1.3。第三层
是正火层神经元是固定的和规范化的所有神经元的权重之和这一层。计算节点的输出如下: 在哪里是神经元的归一化权重。
2.1.4。第四层
这是去模糊化层,每个神经元也是一个自适应节点和架构的顺向参数。计算节点的输出如下:
2.1.5节讨论。5层
它是一个输出层存在单个神经元的输出,输入的总和。计算节点的输出如下:
古典简称ANFIS支持混合学习过程,参数更新通过两个传递和使用两个不同的优化算法。
在传球前进,随之而来的参数更新,当输入提供给简称ANFIS,和前提参数保持固定,使用伦敦,随之而来的参数更新在第四层,并相应地计算最终的输出。
最终的输出计算,向后传递开始,在此期间错误传播回到图层1,和前提参数更新。在这个通过,随之而来的参数保持固定。
2.2。研究问题
综述论文旨在总结机器学习模型的影响现状。在这种背景下,提出了以下研究问题(RQ):RQ1:各种简称ANFIS混合动力是什么?RQ2:创建一个混合简称ANFIS技术的目的是什么?RQ3:什么领域的应用程序已经使用简称ANFIS混合动力车在现实世界吗?RQ4:简称ANFIS的各种优化算法混合动力是什么?RQ5:什么是未来可能的研究方向在上下文中简称ANFIS当前文学变体?RQ6:基于简称ANFIS技术当前的研究趋势?RQ7:简称ANFIS实现混合动力技术是最受欢迎的?
2.3。搜索策略
我们使用两个阶段来搜索和下载研究。
2.3.1。主要的搜索
使用的主要搜索阶段,我们采用以下程序:(我)在研究问题分析主要条款(2)检测替代术语和拼写的术语(3)检查关键字相关的书籍和期刊(iv)布尔和链接主要条款和布尔或替代的条款
2.3.2。二次搜索
在二级搜索阶段,引用忽略在主搜索进行了综述。使用的搜索字符串,混合动力和(简称ANFIS或“去噪”或优化)和技术(使用或)和(“人工蜜蜂殖民地”或“蚁群优化”或“蝙蝠算法”或“蜜蜂算法”或“基于生物地理学优化”或“文化算法”或“身体碰撞优化”或“杜鹃优化算法”或“乌鸦搜索算法”或“猫搜索算法”或“微分进化”或“萤火虫算法”或“遗传算法”或“灰太狼优化器”或“和谐搜索”或“帝国主义竞争算法”或“入侵杂草优化”或“蛾飞优化”或“蚊子主机寻求”或“粒子群优化”或“模拟退火”或“缎蓝园丁鸟优化器”或“减法聚类”或“慢吞吞地Frog-Leaping算法”或“社会蜘蛛优化”)。
搜索策略进行进一步的搜索字符串中使用替代条款和拼写。布尔值的字符串使所有研究的发现可用的数据库,而引用出现在选定的研究可以受益于任何缺失的研究。这样的考虑,建议,允许我们使用一个搜索字符串使用布尔操作符或和可能的替代条款组成。此外,引用的主要研究作为探索可能失踪的研究来源。下列来源文献的发现被用于选择主要研究:(我)《公共科学图书馆•综合》(2)IEEE Xplore(3)施普林格(iv)ACM数字图书馆(v)ScienceDirect(vi)爱思唯尔
这些尊敬的数字图书馆是社区流行的研究;因此,我们发现他们适合包括编译我们的数据。我们关注的研究是在1997年至2019年之间,在2020年第一季度的出版物也包括在内。在主搜索阶段,我们检查了,发现48相关研究。之后,在二级搜索阶段,我们讨论了标准允许识别的79额外的相关研究中,错过了在初始搜索。因此,我们选择127个研究特定的单反,根据中小学进行搜索阶段。这些研究的标题和摘要被认为是对的选择。
2.4。研究选择
每个研究发现在搜索策略是基于标题和摘要穿过过滤研究两个阶段,所需的文献。第一阶段包含包含和排除标准选择研究的相关性和丢弃他人对我们的单反。在第二个阶段,进一步过滤选择研究基于质量评估标准。包含/排除标准针对我们的单反如下:
2.4.1。入选标准
以下是入选标准:(我)研究包含简称ANFIS的混合(2)研究提出新的优化技术(3)研究含有混合的优化技术
2.4.2。排除标准
以下是排除标准:(我)研究关系不大,以防类似的内容(2)研究只包含深度学习技巧或模糊逻辑技术(3)研究论文发表
2.5。质量评估标准
每项研究都是研究与质量评估标准来验证其合理性和意义。特别是申请包含/排除标准后,我们仔细观察候选人相关研究的目的。研究低质量已经被否决了。我们使用下面的问题来定义质量评估的标准。Q1。在彻底研究建立目标定义吗?Q2。这项研究被引用过吗?第三季。实验应用对基准功能或应用领域吗?第四季度。算法根据标准的准确性进行验证措施吗?Q5。和比较分析优化技术提供吗?Q6。研究分析了明确限制饮食?迄今为止。最近,研究发表如何?处置。在SCI期刊索引或斯高帕斯?
评估质量的研究基于这些标准,我们只提供三个答案给出的分数(7)。
质量分数为给定的研究是通过计算得分的均值对回答的问题和考虑选择的阈值
研究的质量评价得分并不是基于模糊语言值,因为提供的相对容易脆设置在我们的标准。当我们评估基于质量得分的均值中定义的范围(8),它允许一个舒适的检查。经过几轮的讨论关于质量评估标准,所有作者承认该评分体系。表示系统的简单性,我们举一个例子。假设接收后续研究质量评价得分为8个问题:Q1(1),(0.5),(0.5),第三季度第四季度(0.5),Q5 (1) Q6(1),迄今为止(1),和游戏(1)
总分是6.5,他们的意思是0.8。上面这个验证研究选择可接受阈值定义为我们的系统。
在另一个例子,如果下面的成绩获得了一个特定的研究:Q1(0.5),(0.5),(1),第三季度第四季度(0)Q5 (0) Q6(0.5),迄今为止(0.5),和游戏(1)
总分4和他们的意思是0.5;因此,本研究不能被包含和过滤。一般来说,最低总分5,研究适用于选择单反。这些质量评估标准的应用程序排除11的研究。
2.6。数据提取
一个问题我们公认的研究寻找单反的使用时部分条款。例如,一些研究包含粒子群和基因一词,但不是优化或算法。我们认识到另一个问题是将抽象的方面,而不是标题。我们进一步检查,我们发现一些研究包括条款比较的目的,而不是研究的重点。值得注意的是,我们的研究问题不一定是回答所有选择的研究。这样的重要性促使我们每研究分析和分配一个分数。基于数量的rq解决,每个研究获得了相应的分数,形成最终的质量评价得分的基础。分数为每个研究范围从0到1,0是最低分数,而1是满分的研究才能得到。分数更高价值的增加研究的诚意。每个研究得分点为每一个研究问题解决。 Since we have seven research questions, a study can achieve seven points at maximum. Similarly, the quality assessment score of every study is based on (7),是指根据阈值(8最后得分)。因此,解决研究问题,研究可以实现一个最高分7和质量评估分数为1。
2.7。数据合成
对每一条信息的分类和安排从选定的研究与我们的研究相关的问题,我们采用的数据合成。我们主要采用了两种方法合成结果:(我)叙述:我们汇总结果,分析数据后,将各种图表。RQ2、RQ3 RQ4、RQ5 RQ6属于这一类。(2)计票:我们做一些比较有更高的各种模型研究的潜力。RQ1和RQ7属于这一类。
2.8。威胁的有效性
2.8.1发布。研究选择性偏差
我们定义的搜索字符串中使用选择单反的相关研究。我们尽我们最大的努力在措辞搜索字符串对应我们的研究问题。然而,现有的可能性,可能已经错过了一些相关的研究,根据一些研究有不同的关键词,标题,摘要,关键词,应该考虑。虽然我们一直强调避免这种可能性,使用参考文献的引用特定研究选择所有相关的研究,然而,有一个概率,一个重要的研究可能已经错过了,因此被认为是一种威胁。
2.8.2。主观质量评估
质量评估定义的标准,我们包括和排除的研究。这单反还包括一个可能性,一些质量好的研究可能会被排除在外。我们尽量减少这种威胁,评分标准和讨论的研究基于我们做最后的评估基于这些分数的平均值,从而排除那些研究,低于我们设置的阈值标准。
3所示。结果和讨论
本节提出的研究问题进行了讨论。
3.1。各种简称ANFIS混合动力是什么?(RQ1)
优化算法是杂化与现有技术作为一种常见的做法。这些技术可以应用到各种新兴领域。简称ANFIS也可以杂化与通用估计等方法证明其可行性。表2显示各种简称ANFIS混合动力车的摘要视图。
这个表总结了各种简称ANFIS混合动力车,使用优化技术,及其实际应用。简称ANFIS广泛适应反向传播参数优化。发展优化算法恢复的努力提高这些系统的准确性,还暗示,他们可以解决独特的现实问题,人类处理能力。
3.2。创建一个混合简称ANFIS技术的目的是什么?(RQ2)
真实的数据是多维、复杂和巨大的。标准简称ANFIS使用最小二乘估计和梯度下降法来优化其参数,这可能会导致不准确的预测。这是由于这些算法收敛慢的局限性和计算耗时的数学运算。迅速提供优化的解决方案在一个大型数据集,混合简称ANFIS技术已经开发出来。
3.3。哪些领域的应用已经感动简称ANFIS混合动力车在现实世界吗?(RQ3)
简称ANFIS及其混合动力车发现广泛应用在几个关键的科学和工程领域。图3简称ANFIS的适用性的混合动力车。从所有的领域,电子主要体现简称ANFIS其次是地质工程。这表明,简称ANFIS模型可用于复杂的现实问题,例如,软件工作评估(34)和智能系统。
3.4。简称ANFIS的各种优化算法混合动力是什么?(RQ4)
表3总结了变异的简称ANFIS混合动力技术。简称ANFIS的优化技术,扩展功能已经被组合增强他们与其他优化算法或各种技术来进一步提高他们的学习能力。ANFIS-PSO [28)最潜在的促进其功能因为PSO (55)可以很容易地修改包括杂化扩展。因此,算法可以结合简称ANFIS创建变体时,加速计算能力。FFA [56)也一直深受研究者简称ANFIS的扩展功能。
3.5。什么是未来可能的研究方向在上下文中简称ANFIS当前文学变体?(RQ5)
有几种混合动力车尚未实现的优化技术简称ANFIS和表中提到4。这些算法主要是杂化变化标准的优化算法。PSO和蝙蝠被广泛杂化和用于扩展标准简称ANFIS架构。简称ANFIS是一个补充的框架技术范式和横切关注点。数据的指数增长近年来创建一个推力领域解决问题更快的数据处理功能,可以简称ANFIS处理得当。
3.6。什么是目前的趋势在研究基于简称ANFIS方法呢?(RQ6)
图4提供了一个趋势相关的出版物简称ANFIS技术及其混合动力车。研究仍然停滞不前了14年,直到2007年,当它第一次被加上一个混合的另一种流行的技术,算法,称为自适应加权算法。这表明简称ANFIS的可行性在解决复杂的实际问题当我们进入自动化和开发智能系统。延迟的原因使用简称ANFIS在科学界的存在更少的数据在最初几年的发明。研究出版图观察指数增长提供承诺,有效,并加速的结果,即各种工程和科学领域优化问题的解决方案。
3.7。混合动力技术是最受欢迎的实现?(RQ7)
图5显示简称ANFIS混合动力车的数应用于不同的应用领域。ANFIS-PSO获得人气最高的研究社区。PSO的流行就是ANFIS-ABC紧随其后,ANFIS-FFA, ANFIS-SC。其他混合动力车,如图5也成功的试验。
4所示。结论和未来的研究方向
简称ANFIS是一个最有前途的算法模型的人类知识有效地维护其功能从人类在复杂的问题,需要人工干预。我们提供了一个详尽的清单最著名的简称ANFIS混合动力车至今由作者和他们的目的。我们进一步讨论了需要杂交简称ANFIS,使用在当前情况和未来的范围在现代工程科学。随着metaheuristic优化技术的出现,我们讨论了它的优点比经典优化方法和提供了一个全面的列表这些算法的混合动力车,曾在简称ANFIS进一步使用。这样的流行metaheuristic技术让我们提供一个分析的最受欢迎的算法用于杂交简称ANFIS, ANFIS-PSO和ANFIS-ABC最高的选择。
我们试图提供重要的见解为简称ANFIS领域的实现。它是保证未来简称ANFIS有高潜力研究的范围。电子、通讯、和工程地质领域努力采用简称ANFIS,基于其惊人的能力作为一个普遍的估计量。简称ANFIS可以实现人工总体智能的选择;因此,它的受欢迎程度将增加,本文前面的分析。
数据可用性
数据请求后可用。
的利益冲突
作者宣称没有利益冲突。