Data-driven rainfall/runoff modelling based on a neuro-fuzzy inference system

2018 ◽  
Vol 106 ◽  
pp. 35-47 ◽  
Author(s):  
N. Bartoletti ◽  
F. Casagli ◽  
S. Marsili-Libelli ◽  
A. Nardi ◽  
L. Palandri
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Data Driven ◽  
Rainfall Runoff ◽  
Inference System ◽  
Neuro Fuzzy

scholarly journals The applicability of Generic Self-Evolving Takagi-Sugeno-Kang neuro-fuzzy model in modeling rainfall–runoff and river routing

2019 ◽  
Vol 50 (4) ◽  
pp. 991-1001 ◽  
Author(s):  
Mohammad Ashrafi ◽  
Lloyd H. C. Chua ◽  
Chai Quek
Keyword(s):  
Fuzzy Inference System ◽  
Hydrological Modeling ◽  
Fuzzy Inference ◽  
Training Dataset ◽  
Rule Base ◽  
Rainfall Runoff ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Takagi Sugeno ◽  
River Routing

Abstract Recent advancements in neuro-fuzzy models (NFMs) have made possible the implementation of dynamic rule base systems. This is in comparison with static applications commonly seen in global NFMs such as the Adaptive-Network-Based Fuzzy Inference System (ANFIS) model widely used in hydrological modeling. This study underlines key differences between local and global NFMs with an emphasis on rule base dynamics, in the context of two common flow forecast applications. A global NFM, ANFIS, and two local NFMs, Dynamic Evolving Neural-Fuzzy Inference System (DENFIS) and Generic Self-Evolving Takagi-Sugeno-Kang (GSETSK), were tested. Results from all NFMs compared favorably when benchmarked against physically based models. Rainfall–runoff modeling is a complex process which benefits from the advanced rule generation and pruning mechanisms in GSETSK, resulting in a more compact rule base. Although ANFIS resulted in the same number of rules, this came about at the expense of having the need for a large training dataset. All NFMs generated a similar number of rules for the river routing application, although local NFMs yielded better results for forecasts at longer lead times. This is attributed to the fact that the routing procedure is less complex and can be adequately modeled by static NFMs.

scholarly journals Optimal Neuro Fuzzy Classification for Arrhythmia Data Driven System

2021 ◽  
Vol 11 (1) ◽  
pp. 70-80
Author(s):  
Hela Lassoued ◽  
◽  
Raouf Ketata ◽  
Hajer Ben Mahmoud ◽  
◽  
...  
Keyword(s):  
Fuzzy Inference System ◽  
Time Scale ◽  
Gradient Descent ◽  
Fuzzy Inference ◽  
Data Driven ◽  
Comparison Study ◽  
Inference System ◽  
Input Feature ◽  
Neuro Fuzzy ◽  
Driven System

This paper presents a data driven system used for cardiac arrhythmia classification. It applies the Neuro-Fuzzy Inference System (ANFIS) to classify MIT-BIH arrhythmia database electrocardiogram (ECG) recordings into five (5) heartbeat types. In fact, in order to obtain the input feature vector from recordings, a time scale method based on a Discrete Wavelet Transform (DWT) was investigated. Then, the time scale features are selected by applying the Principal Component Analysis (PCA). Therefore, the selected input feature vectors are classified by the Neuro-Fuzzy method. However, the ANFIS configuration needs mainly the choice of an initial Fuzzy Inference System (FIS) and the training algorithm. Indeed, two clustering algorithms which are the fuzzy c-means (FCM) and the subtractive ( SUBCLUST) algorithms, are applied to generate the initial FIS. Besides, for tuning the ANFIS membership function and rule base parameters, Gradient descent and evolutionary training algorithms are also evaluated. Gradient descent consists of the backpropagation (BP) method and its hybridization with the least square algorithm (Hybrid). However, the evolutionary training methods involve the Particle Swarm Optimization (PSO) and the Genetic Algorithm (GA). Therefore, eight (8) ANFIS are configured and assessed. Accordingly, a comparison study between their obtained Root Mean Square Error (RMSE) is analyzed. At the end, we have selected an optimal ANFIS which uses the SUBTRUCT algorithm to generate the initial FIS and the GA to tune its parameters. Moreover, to guarantee the effectiveness of this work, a comparison study with related works is done.

scholarly journals Rainfall-Runoff Modeling using Artificial Neural Network and Neuro-Fuzzy Inference System in Kasilian Watershed

2016 ◽  
Vol 7 (13) ◽  
pp. 137-128 ◽  
Author(s):  
نوید دهقانی ◽  
مهدی وفاخواه ◽  
عبدالرضا بهره مند ◽  
◽  
◽  
...  
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Rainfall Runoff ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Runoff Modeling ◽  
Artificial Neural

Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

2017 ◽  
Vol 3 (1) ◽  
pp. 36-48
Author(s):  
Erwan Ahmad Ardiansyah ◽  
Rina Mardiati ◽  
Afaf Fadhil
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

Prakiraan atau peramalan beban listrik dibutuhkan dalam menentukan jumlah listrik yang dihasilkan. Ini menentukan  agar tidak terjadi beban berlebih yang menyebabkan pemborosan atau kekurangan beban listrik yang mengakibatkan krisis listrik di konsumen. Oleh karena itu di butuhkan prakiraan atau peramalan yang tepat untuk menghasilkan energi listrik. Teknologi softcomputing dapat digunakan  sebagai metode alternatif untuk prediksi beban litrik jangka pendek salah satunya dengan metode  Adaptive Neuro Fuzzy Inference System pada penelitian tugas akhir ini. Data yang di dapat untuk mendukung penelitian ini adalah data dari APD PLN JAWA BARAT yang berisikan laporan data beban puncak bulanan penyulang area gardu induk majalaya dari januari 2011 sampai desember 2014 sebagai data acuan dan data aktual januari-desember 2015. Data kemudian dilatih menggunakan metode ANFIS pada software MATLAB versi b2010. Dari data hasil pelatihan data ANFIS kemudian dilakukan perbandingan dengan data aktual dan data metode regresi meliputi perbandingan anfis-aktual, regresi-aktual dan perbandingan anfis-regresi-aktual. Dari perbandingan disimpulkan bahwa data metode anfis lebih mendekati data aktual dengan rata-rata 1,4%, menunjukan prediksi ANFIS dapat menjadi referensi untuk peramalan beban listrik dimasa depan.

PENGEMBANGAN SISTEM MANAJEMEN PENDUKUNG KEPUTUSAN PENILAIAN MUTU KEPEGAWAIAN DINAS PENDIDIKAN REMBANG MENGGUNAKAN ALGORITMA ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM)

2020 ◽  
Vol 12 (1) ◽  
pp. 6-17
Author(s):  
Angga debby frayudha ◽  
Aris Yulianto ◽  
Fatmawatul Qomariyah
Keyword(s):  
Fuzzy Inference System ◽  
Industry 4.0 ◽  
Fuzzy Inference ◽  
System Model ◽  
Inference System ◽  
Neuro Fuzzy

Di era revolusi industry 4.0 terdapat banyak sekali kemudahan yang diberikan teknologi kepada manusia. Tentu ini akan menjadi baik apabila manusia mampu memanfaatkan hal tersebut dengan baik pula. Namun disisi lain juga bisa mengakibatkan dampak negative terhadap manusia, misalnya dengan adanya internet bisa mengakibatkan manusia melakukan penipuan di media social. Selain itu dengan canggihnya teknologi dapat menjadikan manusia menjadi malas yang bisa berimbas menurunnya kualitas sumber daya manusia. Maka dari itu untuk menghadapi hal ini perlu menyiapkan pendidikan yang baik.Pendidikan akan berjalan baik apabila lembaga yang mengurusnya berkompeten dalam melakukan tugasnya .Penulis coba memberikan ide untuk memprediksi kinerja pegawai Dinas Pendidikan Kabupaten Rembang menggunakan mentode ANFIS (Adaptive Neuro Fuzzy Inference System) guna untuk membantu lembaga tersebut menyeleksi maupun menilai kinerja karyawan demi meningkatkan kualitas dari segi sumber daya manusia. ANFIS merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Model penilaian kinerja pegawai di Dinas Pendidikan Kabupaten Rembang dengan menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS) menghasilkan penilaian  yang lebih baik dan akurat.  Hasil pengujian metode tersebut memiliki nilai akurasi 65%. Dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System) dapat memprediksi kinerja karyawan sebagai salah satu pengambilan keputusan terhadap kinerja pegawai. Selain itu nantinya system penlaian kinerja pegawai akan lebih tertata dan efisien.

Sign in / Sign up

Export Citation Format

Share Document