In this study, a new approach for modification of membership functions of a fuzzy inference system (FIS) is demonstrated, in order to serve as a pattern recognition tool for classification of patients diagnosed with multiple sclerosis (MS) from healthy controls (HC) using their visually evoked potential (VEP) recordings. The new approach utilizes Krill Herd (KH) optimization algorithm to modify parameters associated with membership functions of both inputs and outputs of an initial Sugeno-type FIS, while making sure that the error corresponding to training of the network is minimized. This novel pattern recognition system is applied for classification of VEP signals in 11 MS patients and 11 HCs. A feature extraction routine was performed on the VEP signals, and later substantial features were selected in an optimized feature subset selection scheme employing Ant Colony Optimization (ACO) and Simulated Annealing (SA) algorithms. This alone provided further information regarding clinical value of many previously unused VEP features as an aide for making the diagnosis. The newly designed computational intelligence system is shown to outperform popular classifiers (e.g., multilayer perceptron, support-vector machine, etc.) and was able to distinguish MS patients from HCs with an overall accuracy of 90%.

Photovoltaic (PV) systems are integral to renewable energy, demanding accurate performance modeling for optimal functionality. This paper presents a pragmatic, data-driven approach employing Polynomial Regression (PR) for solar panel modeling to boost accuracy and adaptability to environmental variables. By emphasizing the advantages of data-driven models in attaining predictive precision, this study aims to reconcile theoretical concepts with practical solar panel performance. PR is employed as a black-box machine learning (ML) algorithm to transcend the limitations of traditional modeling methods, revealing ML's ability to grasp intricate relationships and ensure precise predictions. Utilizing real and simulated datasets encompassing solar irradiance, ambient temperature, and applied load through hardware in the loop (HIL), the model is trained to forecast the electrical outputs of solar panels in two approaches to estimate output voltage and current as well as key points on the panels' I-V curve. Assessment of model accuracy using Root Mean Square Error (RMSE) showcases the PR model's capacity to accurately depict solar panel performance by capturing non-linear relationships between environmental variable conditions and electrical outputs. Experimentation validates the method's effectiveness, focusing on accuracy, generalization to testing, and on-site data validation in two approaches. This research endeavors to bridge the gap between theory and practice, propelling advancements in the field of solar PV systems and facilitating more efficient solar energy utilization.