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.广泛的科学和医学应用，特别是在模式识别、数据挖掘、机器学习和过程控制系统等领域都采用了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合理论，指出它不需要有精确的数值信息输入来建模系统。⁴⁰本研究采用模糊集理论，利用Sugeno方法将给定的输入映射到输出的模糊推理系统。²⁴人工神经网络(ANN)模型由Rosenblatt于1958年提出。³¹人工神经网络的功能类似于人类的大脑，并通过学习过程获取知识。自适应神经模糊推理系统(ANFIS)是近年来发展起来的一种趋势，被广泛应用于日降水预报建模。¹⁸利用改进的ANFIS模拟巴生河流域的降雨事件马来西亚报告的准确率更高。²

将人工神经网络和模糊逻辑方法应用于中国不同地区的天气预报中，所提出的模型的预报精度较其他现有方法满意。^4、5应用ANFIS对干旱进行预测，模型预报精度得到提高。⁶大多数数据驱动模型可以提高降雨预报的精度。^20日16应用ANFIS模型对降雨进行预测。¹⁵开发了一个神经模糊模型来预测韩国大田的月降雨量。神经模糊模型在Maharlu-Bakhtegan流域年干旱预报中的应用，报道了神经模糊模型在该流域年干旱预报中的应用。^7、9应用ANFIS对伊朗巴斯塔姆平原地下水位进行了预报。¹⁰开发了ANFIS，用于模拟伊朗德兹盆地的长期流量预测。将ANFIS应用于呼罗珊地区的降雨预报，认为ANFIS是一种合适的预报工具。¹¹

ANFIS的明显优点是，它可以在单个框架中捕获两种模型的优点。¹³利用ANFIS模型对印度Junagadh地区的季风降水进行了预报，结果表明神经模糊模型具有较好的预报效果。^18日17结果表明，模糊推理系统和基于人工神经网络的洪水预报方法的预报效果优于现有的洪水预报方法。将一种基于粗糙集的模糊人工神经网络算法应用于天气预报，结果表明该算法具有更好的预报精度。^19日,21指出与人工神经网络相比，人工神经系统能更准确地预测地下水位。²²回顾了ANFIS模式在澳大利亚东南部降雨预报中的适用性。

同样，利用神经模糊推理系统对马什哈德的降雨事件进行评价，结果表明ANFIS是一种合适的预报模型。²⁵神经模糊模型和人工神经网络模型的性能评价表明，模糊模型是最合适的模型。²⁶结合模糊逻辑的神经模糊天气预报模型在新加坡Kranji流域的降雨径流模拟中优于现有方法。^37岁的36综述了模糊技术在工业过程建模和监控中的应用。河流流量也采用了神经模型。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得到了广泛的应用。²⁸在过去十年中，人们已经认识到在各种水文预测中应用ANFIS的好处。²³

材料与方法

在本研究中，ANFIS模型使用上述输入方法进行检验，以提高预测率。在本研究中，特征约简前的初始天气输入由8个观测参数组成:{0_p1:最高温度)_p2:最低温度，0_p3:相对湿度1,0_p4:相对湿度2,0_p5阿:风速,_p6:太阳辐射_p7:阳光和阳光_p8:蒸散}。

使用完整的特征集来寻找约简，以增强所提出的粗糙神经模糊推理(ARNFA)系统的学习潜力。然后，穷举子集搜索生成所有可能的子集组合_p2阿,_p4阿,_p5阿,_p6阿,_p7}， {Op2, 0_p3阿,_p4阿,_p7阿,_p8}和{Op2, O_p3阿,_p4阿,_p6阿,_p7阿,_p8}，以确定模拟降雨预测时可能有效的观测参数。ANFIS将输入成员映射到预期的输入隶属函数，然后将输入MF映射到一组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被转换为与输出关联的单值决策。¹²

增强的数据驱动预测模型

该模型是基于粗糙集的特征选择和基于神经模糊推理的预测方法相结合的序列杂交模型。在FIS中，以模糊隶属度为基础，应用模糊规则推导出新的近似模糊集结论。FL方法主要应用于难以精确设计的不精确情景，如本文提出的降雨预测情景。如果所研究的问题是模糊的，那么模糊推理系统是最合适的模型。^39岁,14指出ANFIS是一种前馈神经网络，由监督学习构造。随着人们对自适应智能系统的需求日益增长，吸收人工神经网络和人工智能系统的特征越来越受到研究人员的关注。¹

ANFIS将输入成员映射到预期的输入隶属函数，然后将输入MF映射到一组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被转换为与输出关联的单值决策。¹²随着输入变量数量的增加，计算时间复杂度和规则数量也随之增加。ANFIS最大的问题是，如果输入的数量超过5个，系统将无法准确地根据输入对输出进行建模。

图1:自适应粗糙神经模糊 基于方法的混合智能系统 点击此处查看图

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与已验证的信息增益和粒子群优化搜索进行了基准测试。特征选择是一项繁重的任务;这些技术提高了训练算法的性能，同时最大限度地减少了由多余输入值引起的误差，³³³⁴和³⁵使用最大频率加权约简选择(MFWFR)生成的特征子集;采用信息增益(IG)和粒子群优化(PSO)方法进行输入选择。³²在模型训练阶段，使用输入选择模型生成的特征约简来训练算法。如图1所示，这个数据驱动的混合系统通过完整和减少的特征输入来评估，以证明特征减少的重要性。提出的模型调节前提参数集，以促进自适应神经模糊推理系统输出匹配训练数据。在模型训练阶段，使用三个输入数据模型生成的特征子集(约简)来训练学习算法。采用自适应神经模糊推理系统、基于模糊规则的分类技术和最新的进化分类模型对降雨预报模型进行训练。为了确定输入参数的最佳混合以达到所需的精度，使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完整特征集的最优约简。

在ARNFA中使用的FIS有五个处理层次:模糊化、产生层、规范化、去模糊化和聚合层，每层的输入和输出关系如下。²⁷在模型评估阶段，根据现有技术对ARNF模型的性能进行评估。采用WEKA对基于自适应网络的模糊推理系统的基准分类方法进行了评价³⁸和龙骨。^3.ARNFA与现有模型的对比研究如表1所示。

为了确定输入参数的最佳混合以达到所需的精度，使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完整特征集的最优约简。在过去十年中，人们已经认识到在各种水文预测中应用ANFIS的好处。²³

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(约简)来训练学习算法。采用自适应神经模糊推理系统、基于模糊规则的分类技术和最新的进化分类模型对降雨预报模型进行训练。在模型评估阶段，根据现有技术对所提出的模型性能进行估计和评估。除了基于自适应网络的模糊推理系统外，还对其他学习技术进行了评价。³⁸和龙骨。^3.采用KEEL和WEKA对基准PSO、ACO和模糊规则分类方法进行了评价。所提出的模型与这些现有模型的比较研究见表71。

图2:适应性粗略进化 神经方法流程设计 点击此处查看图

结果与讨论

表1预测了前后分类模型对约简的准确率。实验结果表明，经过特征约简后，分类模型的准确率有所提高。与基于进化和模糊规则的分类方法相比，性能评价结果表明神经模糊推理系统是一种适合降雨预测的模型。

表1:现有混合模型与建议混合模型的预测精度。

当使用MFWRS算法生成的特征约简进行训练时，该算法的准确率达到95.49%。采用基于粗糙集的最大频率加权特征约简方法训练的模型优于基于信息的特征约简和粒子群算法。

结论

大多数通用分类技术在预测精度方面都有很大的提高。但是所获得的精度对于模拟实时水文预报来说是微不足道的。研究表明，全球预测方法在区域水文预报建模中的作用并不显著。为此，提出了一种集粗糙计算、模糊计算、进化计算和神经计算于一体的特定领域混合体系结构，以达到预期的预测精度。

鸣谢

我要感谢VIT大学信息技术与工程学院在本研究过程中提供的资源和支持，感谢“匿名”审稿人的所谓真知灼见。我非常感谢他们对手稿早期版本的评论。

参考文献

1. A.亚伯拉罕(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联结主义模型、计算机科学课堂讲稿、Springer Berlin Heidelberg, 269-276。
   CrossRef
2. Akrami, S. A. El-Shafie Abraham和O. Jaafar(2013)。改进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: 3507-
3. Alcala- fdez, J.， R. Alcala和F. Herrera(2011)。基于遗传规则选择和横向调整的高维问题模糊关联规则分类模型IEEE模糊系统学报科学通报，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学报，9 (12): 343 - 366
   CrossRef
5. 巴坎利、费拉特和迪卡斯(2009)。干旱预报的自适应神经模糊推理系统，随机环境研究与风险评估科学通报，23(3):1143-1154。
   CrossRef
6. 郑振涛、欧正平、周国伟(2002)。将模糊优化模型与遗传算法相结合解决多目标降雨径流模型标定问题。水文学杂志生态学报，26(1):72-86。
   CrossRef
7. Choubin, B.， S. Khalighi-Sigaroodi, A. Malekian, S. Ahmad and P. Attarod(2014)。利用气候信号预测半干旱流域的干旱:神经模糊建模方法，材料科学杂志科学通报，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发流量，水文工程学报浙江农业学报，20(8):1-7。
   CrossRef
9. Emamgholizadeh, S.， K. Moslemi和G. Karami(2014)。人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)在伊朗Bastam平原地下水位预测中的应用水资源管理;28日:5433 - 5446。
   CrossRef
10. esmaelzadeh, S. R.， A. Adib和S. Alahdin(2015)。基于卫星图像和k-fold交叉验证的自适应神经模糊推理系统的长期流量预测(案例研究:伊朗的Dez)KSCE土木工程学报19(7): 2298 - 2306。
    CrossRef
11. fallah - ghalharry, G. A. 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远程联动控制的春季降水预报理论应用气候学[j] .自然科学学报
12. Hayati, M.， A. M. Rashidi和A. Rezaei(2011)。基于自适应神经模糊推理系统的纳米镍镀层晶粒尺寸预测固体科学浙江农业学报，13(1):163-167。
13. Hipni, A. El-shafie, Najah, O. A. Karim, A. Hussain和M. Mukhlisin(2013)。支持向量机(SVM)模型与自适应神经模糊推理系统(ANFIS)的比较水资源管理;27日:3803 - 3823。
    CrossRef
14. 黄春林，徐楠生，魏春春，罗长文(2015)。利用人工智能检索基于自适应网络的台风降水预报模糊推理系统的最优参数和结构气象学进展， 2015, 1- 22。
    CrossRef
15. Jeong, C, Shin, T. Kim和J. Heo(2012)基于神经模糊模型的月降水预报，水资源管理;26日:4467 - 4483。
    CrossRef
16. 基西，O.， J. Shiri和M. Tombul(2013)。利用软计算技术模拟降雨径流过程，计算机与地球科学, 51:108 - 117。
    CrossRef
17. Kumar, R.， N. K. Goel, C. Chatterjee和P. C. Nayak(2015)。基于软计算技术的区域洪水频率分析水资源管理科学通报，29 (2):1965-1978
    CrossRef
18. Kyada, p.m.和p.c arma(2015)。基于自适应神经模糊推理系统模型的日降雨量预报国际科学与自然杂志6(3): 382 - 388。
19. 李凯、刘彦(2005)。基于粗糙集的模糊神经网络天气预报算法机器学习与控制论国际会议论文集1888-1892年，广州。
20. 卢杰，薛，张晓霞，张生，卢伟(2014)。基于神经模糊推理系统的天气预报模型及其降水预报试验大气,5:788 - 805。
    CrossRef
21. Maiti, S.和R. K. Tiwari(2014)。人工神经网络、贝叶斯神经网络和自适应神经模糊推理系统在地下水位预测中的比较研究环境地球科学生物医学工程学报，31(1):347 -3160。
    CrossRef
22. Mekanik, F.， A. Imteaz和A. Talei(2015)。基于大尺度气候信号的自适应网络模糊推理系统(ANFIS)季节降水预报气候动力学,45(1): 1 - 15。
23. Nayak, P. C.， K. P. Sudheer, D. M. Rangan和K. S. Ramasastri(2005)。基于神经模糊模型的短期洪水预报水资源研究，41(1): 1 - 16。
24. Negnevitsky, M.(2005)。人工智能:智能系统指南。皮尔森教育有限公司，埃塞克斯，英国。
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.a deyemo(2013)。神经网络MLP和ANFIS模型在天气预报研究中的性能评价，非洲计算机与信息通信技术学报科学通报，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学报，4:202 - 206。
28. 潘特，L. M.和A.甘居(2004)。基于模糊规则的直接作用雪崩预测系统当前的科学科学通报，87(1):99-104。
29. Pawlak, Z.(2002)。粗糙集及其应用，电信与信息技术杂志; 3:7 -10。
30. pswlak(1982)。粗糙集,国际计算机与信息科学杂志科学通报，11(5):341-356。CrossRef
31. 罗森布拉特，F.(1958)。感知器:大脑中信息存储和组织的概率模型，心理学审查, 65(6):原始素材。
32. Sudha, M.(2017)。基于粗糙集和模糊逻辑的智能降水预报决策支持系统决策科学信函6(1): 96 - 105。
33. Sudha, M. and 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机与信息技术学报。24(2): 181 - 194。
    CrossRef
34. Sudha, M.和B. Valarmathi(2015)。混合智能计算对识别建设性天气参数以模拟有效降雨预报的影响，AGRIS在线经济学与信息学论文农业学报，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科学通报，9(4):1595-1602。
36. 高木，T.和M. Sugeno(1985)。系统模糊辨识及其在建模和控制中的应用IEEE系统人与控制论汇刊, 1:116 - 132。
    CrossRef
37. 蔡丽华、郭志强(2010)。神经模糊计算技术在基于事件的降雨径流建模中的新应用专家系统与应用中文信息学报，37(3):756 - 768。
    CrossRef
38. 威滕，i.h.和e.f anke(2005)。数据挖掘:实用机器学习工具和技术，Morgan Kaufmann，旧金山，525。
39. 杨忠，刘勇，李春春(2011)。基于ANFIS的缺失风数据插值。可再生能源,36 (3):993 - 998。
    CrossRef
40. 扎德，洛杉矶(1965)。模糊集,信息与控制中文信息学报，8:338-353。
    CrossRef