一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

基于PSO算法的系统辨识方法

研究了利用粒子群优化(particle swarm optimization, PSO)算法对系统进行辨识的新颖方法.该系统辨识方法的基本思想是将典型数学模型的相互组合而构成系统模型,即就是首先将系统结构辨识问题转化为组合优化问题,然后再采用粒子群优化算法同时实现系统的结构辨识与参数辨识.最后,给出了仿真示例,其仿真结果验证了所给的系统辨识新方法的合理性和有效性,辨识精度高,具有良好的实用性.     

基于T-S模糊模型的模型参考自适应逆控制

针对非线性系统,提出一种基于T-S模糊模型的模型参考自适应逆扰动消除控制方法。所提方法根据模糊辨识理论与模型参考自适应逆控制各自的特点,将两者相结合。首先,根据模糊系统理论,分别采用模糊对角线划分和递推最小二乘算法进行前提和结论参数辨识,离线辨识得到对象模糊模型和逆对象模糊模型。将辨识出的对象逆设为原始控制器,与被控对象串联;为了分离出系统扰动信号,将辨识出的对象模型与被控对象并联,通过被控系统与对象模型输出做比较,再通过逆对象模型反馈到系统输入端,组成扰动消除环节。用最小均方差算法在系统运行过程中在线调节逆对象模糊模型参数,使其输出误差最小。最后,使用所提方法对一混合非线性系统及输入/输出非线性系统进行仿真试验,仿真结果验证了所提方法的有效性。     

基于改进T-S模型的模糊辨识算法及其应用

热工过程往往具有非线性和不确定性,用传统的描述热工过程动态数学模型的方法(如传统函数等)难以建立非线性模型,从而难于精确表达热工过程及实施整体优化控制。该文提出了一种基于改进T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间的划分,在此基础上利用加权递推最小二乘法(WRLSA)建立热工过程的T-S模型。仿真结果表明基于改进T-S模型的非线性模糊模型,不仅能精确地描述过程的非线性,而且算法简单、快速。     

一种T-S模糊系统建模方法

T-S模糊系统被广泛应用于基于数据的建模应用中。模糊规则作为系统的核心,是影响系统性能的重要因素。在分析常见模糊系统建模方法的基础上,提出一种简单有效的建模方法。该算法基于变结构模糊建模思想,均匀选择模型的初始结构,以绝对误差为建模指标,通过增加模糊规则来提高T-S模糊系统的精度。为降低规则参数辨识的计算量,提高建模速度,将规则参数分为线性和非线性两部分,分别采用不同方法进行辨识。实例证明文中所提出的建模方法规则分布合理,收敛速度快,建模精度高,具有很好的实际应用价值。     

基于在线聚类的机器人自适应模糊建模

针对机器人这种具有时变、强耦合和不确定性的复杂非线性被控对象,提出一种基于在线聚类的模糊自适应方法用于机器人系统建模。建模过程中采用在线聚类算法辨识机器人T-S模型的前提参数,采用递推最小二乘算法(RLSE)辨识结论参数,根据过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新,而且该方法具有模型结构简单、建模速度快、精度高等优点。最后通过二自由度机器人仿真研究证明了该方法的有效性和优越性。     

基于FKCM的球磨机系统T-S模糊建模方法

针对传统的描述热工过程动态数学模型的方法难以建立非线性模型的缺点,提出了一种基于模糊核聚类的球磨机系统T-S模糊建模算法.该算法首先通过灰色关系法确定模型输入变量,利用FKCM聚类算法对输入空间进行模糊划分,确定T-S模型的前件结构和前件参数;进而利用最小二乘算法确定模糊规则的后件参数.最后,利用数字仿真数据对球磨机系统进行模糊建模,建模结果表明该算法简单、实用,模型能够精确地描述过程的非线性.     

复杂系统的遗传-模糊建模方法

针对复杂系统的模糊建模问题，提出了一种遗传．模糊建模新方法。首先，利用竞争学习算法对输入空间进行自适应聚类，基于聚类结果提取模糊模型的规则前件隶属函数参数，采用局部最小二乘法求得规则后件参数，从而初步建立起系统的T-S模糊模型。然后，对规则前、后件参数进行编码，借助于实值编码遗传算法优化模糊系统。最后，数字仿真结果验证了算法的可行性和有效性。     

细菌生存优化在非线性模型辨识中的应用

提出了一种新的基于细菌生存优化(Bacterial Foraging Optimization BFO)的非线性模型辨识方法.它是利用群集智能仿生BFO算法对一类Hammerstein系统进行辨识,从而估计出它的参数模型.通过对这类输入非线性模型进行辨识,并用仿真实验说明BFO算法的参数设置与选择方法.比较基于粒子群优化(Particle Swarm Optimization PSO)的非线性模型辨识算法,特别是对有色噪声的鲁棒性、模型的辨识精度、辨识收敛速度进行对比分析,以得出BFO辨识算法的优缺点及其有效性.     

基于混合协同粒子群优化的广义T-S模糊模型训练方法

针对广义Takagi-Sugeno(T-S)模糊模型训练中存在的高维、非线性、混合参数估计问题,提出了一种基于混合协同粒子群优化的广义T-S模糊模型训练方法.该方法用离散二进制微粒位置表示模型的结构参数,用普通微粒位置表示模型规则中模糊集隶属函数的参数;这两种微粒位置联合体构成一个模型完整的模型前件参数集.两种群通过协同进化优化所有前件参数;模型后件参数用卡尔曼滤波算法估计.该方法不要任何先验知识,能产生紧凑的、泛化性能较好的模糊模型.函数逼近的数字仿真说明了该方法的有效性.     

基于多分辨率分析的模糊系统结构辨识算法

分析了尺度函数多分辨率逼近性以及与T—S模糊系统结构的相似性，提出基于多分辨率分析的模糊系统(MAFS)。在此基础上，利用B—样条尺度函数作为模糊隶属函数具有紧支撑性、多分辨率逼近的特性，从时一频域局域化角度，采用WTMM技术，给出了模糊系统结构辨识算法。仿真结果验证了这种模糊系统在不影响辨识精度情况下，模糊隶属函数具有模糊语义的完备性和可解释性，同时表明该结构辨识算法的正确性和有效性。     

模糊粗糙神经网络的结构与参数优化

基于模糊粗糙隶属函数,建立了一种五层结构的模糊粗糙神经网络（fuzzy rough neural network, FRNN）,对神经元之间的连接,引入一个开关函数,从而把结构优化和参数学习问题转化为单纯的函数优化问题。提出一种混合智能优化算法（hybrid intelligent optimization algorithm, HIOA）用于FRNN的结构和参数优化,适应度函数同时考虑模型的精确性和网络的节俭性。典型的实验结果表明,FRNN适用非线性系统建模,相对于普通神经网络及其优化方法能获得更高的精度和泛化能力。     

高层建筑风振反应的T-S模糊控制

研究了高层建筑在顺风向脉动风荷载激励下T—S模糊控制问题。受控结构为拟建于澳大利亚Melboume的一幢钢筋混凝土结构办公楼，高306米，总共76层，控制设备为安装于结构最顶层的主动调谐质量阻尼器，主动控制力由T—S型模糊控制器求得。选取LQG控制的仿真结果为T—S模糊控制器的学习样本，采用减法聚类法和混合学习算法对T—S模型进行结构与参数辨识，通过改变结构刚度束检验模糊控制器的鲁棒性。仿真结果表明：T—S模糊控制器鲁棒性好，控制效果能够满足高层建筑风振舒适度的要求；与Mamdani型控制器相比，在线计算时间短，无计算时滞问题。     

基于正交最小二乘的非线性系统模糊辨识

提出了一种新的基于T-S模糊模型的建模方法．该方法是基于输入空间的模糊划分计算给定样本在各模糊子空间的隶属度，并利用正交最小二乘辨识模糊模型的结论参数．最后通过Box-Jenkins煤气炉数据和Mackey-Glass混沌时间序列的仿真结果验证了该方法的有效性与实用性．     

带有测量噪声的Ⅱ型T-S模糊建模

实际工业生产过程中,系统的数据带有测量噪声.Ⅱ型模糊集的二阶隶属度用来表征一阶隶属度的模糊度,这种模糊度的增加意味着处理不确定信息能力增加.因此,提出了一种基于Ⅱ型模糊集的T-S模糊建模方法来减少由噪声带来不确定信息的影响.首先采用改进的最小邻域算法对带有测量噪声的数据进行聚类,继而确定Ⅱ型模糊集的一阶隶属度,接着根据数据的聚类信息采用高斯混和模型得到二阶隶属度值,然后用正交最小二乘算法确定模糊模型的后件参数,最后通过仿真实验来验证该方法的有效性.     

一种基于模糊规则的非线性系统快速模糊辨识方法

针对以往模糊建模方法中算法中算法过于复杂的问题，提出了一种简单而有交的复杂系统模糊建模新方法。该方法是基于输入空间的模糊划分，计算给定样本在各模糊子空间的隶属度，并列用卡尔曼滤波算法辨识模糊模型的结论参数。整个辨识过程与模糊聚类方法和误差反馈学习方法相比所需的CPU时间最短。最后通过著名的Box-Jenkins煤气炉数据仿真结果证明了该方法的有效性与实用性。