规则递归T-S模糊模型及其辨识方法

针对传统T-S模糊模型不能较好描述系统时变特性的问题,提出了一种基于递归策略的动态T-S模糊模型及其辨识方法.规则递归T-S模糊模型在传统T-S模糊模型基础上,增加了具有一定权重的反馈环节,该环节对当前激励强度与前一时刻激励强度进行加权和得到当前时刻新的规则激励强度,从而实现动态递归变化,有效描述了系统的动态过程.为使规则递归T-S模糊模型具有较少的规则数量和较好的泛化能力,前件参数采用一种基于规则激励强度的模糊聚类算法获得,而后件和递归环节参数则采用一种由支持向量机和粒子群优化算法组成的联合辨识方法获得.Box-Jenkins煤气炉的仿真结果表明,规则递归T-S模糊模型及其辨识方法具有较好的动态描述能力,与混合聚类方法相比,均方差降低了1.2％.     

热障涂层加热系统的自适应模糊预测控制

针对航空发动机热障涂层加热过程中的时变、大惯性、滞后以及高度非线性等问题,提出了一种基于T-S模糊模型的广义预测控制策略来控制涂层的温度。首先,针对模糊C均值(FCM)算法容易陷入局部最优的问题,采用自适应遗传粒子群优化(GA-APSO)算法来优化模糊C均值(FCM)算法的全局寻优能力,并对T-S模糊模型的前件参数进行辨识;其次,采用自适应遗忘因子的递推最小二乘法来估计T-S模糊模型的后件参数。 最后,根据得到的T-S模糊模型设计模糊预测控制器并进行仿真实验。仿真结果表明,在利用自适应遗传粒子群算法对FCM算法进行优化后,算法的初始适应度值、收敛适应度值以及辨识模型的均方误差都有较大程度的降低,说明改良后算法的全局寻优能力得到了很大提升,对样本的模糊聚类效果也更好。在有干扰的情况下利用PID控制器和模糊预测控制器分别跟踪期望温度,相比传统的PID控制,模糊预测控制的控温精度更高,达到稳定期望温度所需时间更短,仿真结果验证了控制方法的有效性。     

基于连续域蚁群改进算法的T-S模型辨识

针对一些带复杂参数辨识性能指标的模糊建模无法采用经典辨识方法解决的情况,提出了采用改进连续域蚁群算法进行T-S模型辨识的方法.该方法利用蚁群算法无需具体数学模型的特点,解决了模糊模型辨识中辨识指标表达式过于复杂甚至非解析所带来的难题,从而实现了T-S模型前提部和结论部参数的一次性辨识.仿真研究表明,利用文中辨识方法得到的模糊模型能够很好的逼近真实系统,并且对初始条件和输入信号不敏感,具有鲁棒性.     

T-S模糊模型的一种简单辨识算法

讨论了T-S模糊模型的辨识问题,以直线作为数据分类的目标,提出了一种改进的简单辨识算法.首先采用Hough变换,根据给定的输入输出数据,得到了模型后件部分的直线方程,并辨识出结论参数,然后依照得到的直线对输入数据进行分类.考虑输入数据与相应直线的接近程度,以及邻近直线对输入数据的影响程度,辨识出了模型的前件参数.本算法不需要对数据的循环计算,从而大大减少了计算量.仿真例子说明了本算法对T-S模糊模型辨识的有效性.     

一种新的T-S模糊模型辨识算法

针对非传统T-S模糊模型,给出了一种新的辨识方法。利用改进模糊划分聚类算法辨识前件参数,最小二乘法对模糊模型的后件参数进行辨识。应用Box-Jenkins煤气炉数据和一个非线性系统进行仿真实验,结果证明了该方法的有效性与实用性。     

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

基于GA-SA算法的机器人几何参数误差辨识

几何参数误差对机器人末端绝对定位精度影响最大,而几何误差参数辨识是一个高维非线性问题,求解困难,所以建立一种简单高效的辨识算法是有必要的,本文提出了遗传模拟退火算法(GA-SA)对机器人几何参数误差辨识。以机器人末端位姿误差最小为目标,采用遗传模拟退火算法辨识机器人几何参数误差,以ABB IRB120为算例迭代1100次,遗传算法在200代陷入局部最优,模拟退火参与后最终适应度为0.0914。误差补偿结果表明：机器人末端位置误差沿X,Y,Z轴方向分别降低了88.05%,81.73%,83.72%,姿态误差分别降低了93.92%,83.64%,83.44%,证明遗传模拟退火算法可以有效辨识机器人几何参数误差,提高误差补偿后的机器人末端位姿精度。     

RBF神经网络用于光纤陀螺温度漂移

温度漂移是存在于光纤陀螺系统中使得输出信号产生较大偏置误差的一种不可忽略因素,如何准确地辨识漂移并有效地对其进行补偿直接关系到陀螺的测量精度.文中比较了前馈网络中的BP网络和径向基函数(RBF)网络,采用RBF网络进行温漂辨识.温漂辨识可以通过离线事先学习,因而在多种学习方法中选择了简单易行、精度高且运算速度快的正交最小二乘(OLS)法.通过仿真验证,采用RBF网络及其OLS学习算法可以快速、有效、高精度地辨识并补偿温漂     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于在线模糊聚类的故障检测和容错控制

提出了一种新的基于T-S模糊模型在线辨识的非线性系统的故障诊断与容错控制策略.在闭环控制中,根据在线产生的数据对T-S模糊模型进行辨识,当故障引起系统动态的结构性变化时,在线模糊聚类算法能够辨识出系统的重大改变并产生新的模糊规则描述系统新的动态,同时基于T-S模型的控制律也会做出相应的调整.分析了T-S模糊模型结构和参...     

FWP加工变形补偿预测的ATS-FNN建模及仿真

针对柔性工件轨迹(FWP)加工变形影响因素复杂、对变形补偿预测模型实时性要求较高的问题,提出了FWP加工变形补偿预测的自适应TS模糊神经网络(ATS-FNN)建模方法.该方法利用自适应模糊聚类方法从历史加工数据中获取T-S型模糊神经网络(TS-FNN)前件网络的模糊隶属度函数、规则适应度;后件神经网络采用最速下降法作为学习算法,以较快地获得网络连接权值参数.仿真表明,文中构建的ATS-FNN比标准TS型模糊神经网络的建模时间减少52.34%,x、y方向补偿预测值的均方误差分别减少了36.50%和33.34%.     

改进的T-S模糊模型建模方法及其应用

针对一般的仿射非线性系统,提出了一种改进的建立T-S模糊模型的方法. 使建立的模糊系统与原非线性系统具有相同的响应特性,避免了平衡点线性化产生的系统误差的不利影响,同时也适用于含有多个非线性项的系统. 将这种建模方法应用到GMAW系统,建立了改进基于T-S模糊模型GMAW系统,并且建立的模糊系统和原系统具有相同的响应特性. 仿真结果证明了该方法的有效性.     

基于修正因子的雾天可变限速交通流模型

分析雾天可变限速控制作用下高速公路的特性,提出基于雾天修正因子的在线自调整可变限速交通流模型。雾天修正因子通过T-S模型根据高速公路实时能见度与曲面半径在线自我调整,进而实现雾天可变限速交通流模型自我调整。采用灰狼算法对交通流模型参数及T-S模型参数进行优化调整。采用速度与密度的平均绝对百分比误差对模型性能进行评价。使用VISSIM与MATLAB进行仿真研究,仿真结果表明：相比于一般可变限速交通流模型,本文提出的交通流模型在速度和密度的辨识精度方面分别提升了41. 5%和10.5%,可以更加准确反映出雾天可变限速作用下高速公路的特性。     

一类非线性系统的模糊建模方法

针对一类非线性系统的建模问题,以扇区非线性化为基础,提出了一种T-S模糊建模方法。首先在论域上确定出系统中非线性项的最大值和最小值;然后给出非线性项的隶属度函数;最后建立了非线性系统的T-S模糊线性模型。本算法计算简单,容易实现,同时,仿真结果也表明算法能够有效实现对原系统的逼近。     

连续搅拌反应釜的自适应模糊辨识与预测控制

化工领域为保证生产安全,对温度、压强、浓度等工艺指标有严格的要求。连续搅拌反应釜属于典型的化工设备,存在较强的非线性和时滞性,传统的建模与控制方法无法满足其精度要求。针对连续搅拌反应釜系统提出一种自适应模糊辨识与预测控制的方法。首先根据模糊划分C均值聚类算法得到模糊隶属度和初始聚类中心,在此基础上采用分层遗传算法进一步优化连续搅拌反应釜T-S模糊模型的参数。其次,采用自适应机制遗忘因子递推最小二乘法来估计T-S模糊模型的后件参数。最后,基于得到的T-S模糊模型,对连续搅拌反应釜进行自适应模糊广义预测控制,仿真结果验证了该算法的有效性。     

基于T-S模糊模型的井斜精确测量的实时计算方法

自动垂直钻井过程中的井斜实时测量与计算是井斜实时控制的一个重要环节.为避免因井斜角计算中所涉及到的超越函数的计算量过大,进而影响井斜控制的实时性,提出了一种基于T-S模糊模型的井斜角简化计算方法.通过对测量区域的适当划分,建立相应的模糊集合,并选择合适的隶属函数,即可将原井斜角函数所表示的复杂三维曲面用一系列相互衔接的小平面来替代.仿真和实验表明,T-S模糊模型计算出的井斜角与理论井斜角之间的误差不超过0.05°.     

基于模糊建模的混炼胶粘度测量

提出了一种在线测量混炼胶粘度的新方法．该方法以模糊建模技术为基础,综合考虑混炼过程各因素对胶料粘度的影响,建立起胶料粘度的在线测量模型．在模糊建模中,采用T-S模型描述胶料粘度变化的非线性过程,提出了一种基于相似性判别的模糊聚类算法以自动确定合适的聚类组数目,并用实数编码的遗传算法优化全局参数,从而获得了规则简化的、具有较高精度的模糊模型．根据此方法,设计了测量装置,并进行了现场试验．试验结果表明模糊模型输出与实验室测量值基本一致,平均误差较低且最大误差未超过1门尼．该方法较大地提高了橡胶混炼的生产效率,为粘度最优控制奠定了基础．     

基于模糊逻辑系统的采矿船升沉补偿控制方法研究

采矿船是海洋资源开采中必不可少的海工装备。采矿船在海上作业时,船体受海浪载荷作用所引起的升沉运动对于水面下采矿系统作业安全性有恶劣的影响,为了减少升沉运动,需要对采矿船进行升沉补偿,提出了一种基于复合液压油缸的主被动一体式复合型升沉补偿系统。为了提高控制精度,本文提出了一种基于Mamdani型的模糊PID主动式补偿控制策略来减小升沉干扰下的补偿误差,首先对升沉补偿原理进行介绍,随后基于莫尔经验公式推导出不同海况下船体升沉幅值的计算过程,并建立所提升沉补偿系统的数学模型和传递函数,最后用所提的模糊控制算法进行控制,在规则海浪波和不规则海浪波下分别进行仿真,并和传统PID控制效果进行比较,结果表明,两种海浪波下,模糊控制算法的误差要小于传统PID控制算法的误差,可见模糊控制算法有着明显的优势。