- От видимого к невидимому: когда система нечеткого вывода предсказывает метки позиционирования устройств IoT, которые не появлялись на этапе обучения (arXiv)
Автор: Хань Сюй, Чжэмин Цзо, Цзе Ли, Виктор Чанг.
Аннотация. Находясь в основе искусственного интеллекта (ИИ), машинного обучения (МО) и, в частности, глубокого обучения (ГО), они добились больших успехов за последние два десятилетия. Однако предсказание невидимых меток классов изучено гораздо меньше из-за того, что отсутствующие классы невидимы при обучении моделей ML или DL. В этой работе мы предлагаем систему нечеткого вывода, чтобы справиться с такой задачей, приняв механизм нечеткого вывода TSK + в сочетании с методом выбора признаков на основе кривизны (CFS). Практическая осуществимость нашей системы была оценена путем прогнозирования меток позиционирования сетевых устройств в сфере Интернета вещей (IoT). Производительность конкурентного прогнозирования подтверждает эффективность и действенность нашей системы, особенно когда большое количество непрерывных меток классов не отображается на этапе обучения модели.
2. Управление гидропоникой NFT с использованием системы нечеткого вывода Мамдани (arXiv)
Автор: Индра Агустиан, Багус Имам Прайога, Хенди Сантоса, Новалио Даратха, Рувита Фаурина.
Аннотация: метод питательной пленки (NFT) является одним из самых популярных методов гидропонного выращивания. Этот метод имеет такие преимущества, как более простое обслуживание, более быстрый и оптимальный рост растений, более эффективное использование удобрений и меньшее количество отложений. К недостаткам NFT относятся потребление электроэнергии и более быстрое распространение болезни. Поэтому NFT требует хорошей системы контроля и мониторинга питательных веществ для экономии электроэнергии и достижения оптимального роста и устойчивости к вредителям и болезням. В этом исследовании был разработан контроль питательных веществ с индикаторами уровня pH и TDS и оснащен системой мониторинга на основе Интернета вещей (IoT). В качестве системы управления используется система нечеткого вывода Мамдани. Выходом системы является время работы питательных насосов pH Up, pH Down и AB Mix, которые направлены на нормализацию pH и TDS питательных жидкостей. Экспериментальные результаты показывают, что для нормализации pH необходимо от одного до трех шагов контроля. Один шаг управления имеет время отклика 60 секунд и может предотвратить колебания pH Up и pH Down. Что касается контроля TDS, прогноз времени работы насоса смеси AB работает точно, а уровни TDS можно нормализовать за один шаг контроля. В целом, на основе поверхностного контроля, моделирования и реальных экспериментальных данных показано, что система управления работает очень хорошо и может нормализовать pH и TDS до желаемого нормального стандарта.
