基于目标函数的矩阵分解非线性系统模糊建模

提出了基于新的目标函数的模糊聚类建模方法．改进的模糊聚类方法把模糊模型结构辨识和参数辨识融为一体．首先，通过新的目标函数的最小化确定模糊模型的输入空间，即确定模糊规则和规则数、参数．然后对经模糊聚类得到的模糊前件推理矩阵进行QR分解，通过分析秩亏损确定重要的聚类规则．为了证明这种建模方法的性能，对非线性系统进行了仿真建模研究，仿真结果证明所提出方法是一种有效的、精确的模糊建模方法.     

模糊层次分析法在投资决策中的应用

分析了模糊一致矩阵的性质和判定方法,通过模糊一致性指标,确定模糊判断矩阵的一致性程度,并调整模糊判断矩阵,以达到满意的模糊一致性;针对投资决策问题的复杂性和模糊性,运用基于模糊一致矩阵的模糊层次分析法为企业的投资决策提供参考.     

基于模糊竞争学习和UD分解的模糊建模

为解决复杂系统模糊建模问题,研究了利用模糊竞争学习实现非线性系统的模糊建模方法.首先,利用模糊竞争学习方法划分输入变量的模糊输入空间,确定模糊模型的规则数、规则,实现模糊模型的结构优化.另外,为了克服递推最小二乘出现的误差积累、传递现象,采用基于矩阵UD分解的递推最小二乘方法确定模糊模型的结论参数,从而实现模糊模型的结构和参数优化.采用该方法对M ackey-G lass混沌时间序列进行建模研究,结果表明可以在线或者离线对M ackey-G lass混沌时间序列进行准确预测,效果较好.     

基于T-S模糊模型的不确定非线性系统的鲁棒模糊控制

讨论了一类由T S模糊模型表示的不确定非线性系统的鲁棒控制器的设计问题 .首先用标准的DFE结构刻画系统的不确定性 ,再采用PDC(并行分布补偿 )的基本思想设计状态反馈控制器 ,然后利用T S模糊模型扩展的稳定性条件 ,给出了系统以衰减率α全局渐近稳定的充分条件 ,最后基于线性矩阵不等式 (LMI)方法 ,将鲁棒控制器的设计问题转化为线性矩阵不等式问题(LMIP) .Lorenz混沌系统的仿真表明本设计方法的有效性 .     

一类模糊不确定时滞系统的非脆弱控制

研究了一类模糊不确定时滞系统的非脆弱控制问题.针对控制器增益具有加性摄动、乘性摄动两种情况,基于Lapunov稳定性分析方法,提出了用非线性矩阵不等式表示的模糊时滞不确定系统的时滞相关稳定性判据;采用参数设定方法及其Schur补引理,把非线性矩阵不等式条件转换成线性矩阵不等式条件;一个仿真实例验证了本文提出方法的有效性.     

一类非线性系统的H∞观测器的设计方法

研究了一类非线性系统(T-S模糊系统)的H∞观测器设计向题.在对象初始状态不确定情形下,提出一个改进的H∞性能指标,并以线性矩阵不等式(LMI)形式给出了观测器设计方法.     

一类参数不确定T-S模糊系统的鲁棒控制及仿真

针对一类具有参数不确定的T akag i-Sugeno(T-S)模糊系统,基于模糊区域的概念研究了其鲁棒控制问题。通过将不确定T-S模糊模型转换为不确定T-S模糊区域模型,并利用Lya-punov稳定性理论,导出了线性矩阵不等式(LM I)形式的鲁棒控制器设计方法。相对于传统设计方法,降低了采用线性矩阵不等式方法求解的难度,并具有良好的鲁棒性能。仿真结果验证了该方法的有效性。     

模糊层次分析法在投资决策中的应用

分析了模糊一致矩阵的性质和判定方法,通过模糊一致性指标,确定模糊判断矩阵的一致性程度,并调整模糊判断矩阵,以达到满意的模糊一致性;针对投资决策问题的复杂性和模糊性,运用基于模糊一致矩阵的模糊层次分析法为企业的投资决策提供参考。     

基于模糊竞争学习的模糊模型一体化辨识

提出了一种利用MGS(modified Gram-Schmidt)算法建立非线性系统模型的建模方法,并给出了基于MGS算法的模型结构和参数辨识的一体化方法,即利用MGS正交变换对通过模糊竞争学习的聚类结果进行变换,确定对模型贡献大的规则,删除对模型贡献小的规则,同时对模型中的参数进行估计,实现模糊模型结构和参数的优化.仿真结果表明,提出的方法能够对非线性系统进行模糊建模.     

多时滞不确定系统的模糊输出反馈保性能控制

针对一类用T-S模糊模型描述的多时滞不确定系统,研究了其动态输出反馈保性能鲁棒控制问题.基于线性矩阵不等式方法,给出了系统模糊输出反馈保性能控制律存在的一个充分条件和性能上界,并证明了该条件等价于一组线性矩阵不等式的可行性问题.进而,通过建立和求解一个凸优化问题,给出了设计次优保性能模糊输出反馈控制律的方法.最后通过一个算例来验证所给结果的有效性.     

基于T—S模型的一类非线性系统的变结构控制算法

针对一类非线性系统,基于T—S模糊模型提出了一种变结构控制算法．采用带有非匹配参数不确定性和时变时滞的T—S模糊模型来近似代表原非线性系统,使用线性矩阵不等式设计了一个渐近稳定的滑模面,所设计的控制器能够克服时变时滞和不确定性因素的影响．仿真结果表明该算法具有良好的稳定性和鲁棒性．     

基于模糊-粗糙集模型的一种归纳学习方法

对传统粗糙集理论进行了扩展，提出了一种模糊-粗糙集模型。利用模糊集理论和Koho-nen网络自组织映射算法对决策表的连续属性进行模糊化，并用模糊贴近度构造模糊相似矩阵，把普通粗糙集的不可分辨关系推广为模糊相似关系。提出一种基于模糊-粗糙集模型的归纳学习算法FRILA，此算法和决策树算法相比，具有得到的规则数目少、规则表示简单等优点。实例验证了此方法的有效性。     

基于联想记忆模型的模糊关系矩阵自学习机制

分析了模糊诊断原理与联想记忆模型的相似性，提出了一种递归的模糊关系矩阵自动获取及自学习方法，并成功就用于空气压缩机组的故障诊断，取得了满意的效果。     

基于粗集和模糊集的启发式规则约简算法研究

提出了一种新型的决策规则约简方法。基于均匀划分和正态分布隶属度函数，对决策表的连续属性进行模糊化，用欧氏距离贴近度来构建相似矩阵，并提出了一种论域的模糊划分算法；依据粗糙集隶属度进行属性约简的基础上，给出了一种决策规则约简算法，从而达到发掘知识并简化知识的目的。     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

结合改进非负矩阵分解的模糊网页文本分类算法

通过构建向量空间模型可以获得表征网页数据的词-文本权重矩阵,然而直接基于此高维矩阵进行分类学习效率较低,为此提出一种结合改进非负矩阵分解的模糊网页文本分类算法.首先,通过迭代的归一化压缩非负矩阵分解将高维的原数据映射到低维语义空间,以降低问题的复杂性.然后,将模糊逻辑引入分类模型,通过特征词与类别的模糊隶属度来生成文本的类别模糊集,以解决确定性矩阵难以判定语义模糊词所属类别的问题.实验结果表明,与其他方法相比,所提出的分类算法具有较高的分类准确度和较好的时间性能.     

用模糊神经网络建立GNP与产业结构的关系模型

给出了一种ＧＮＰ值与产业结构的关系模型的算法,利用一个多输入单输出的模糊神经网络（ＭＩＳＯ－ＦＮＮ）,提取关于人均ＧＮＰ值与工业比例,农业比例及人口关系的模糊的规则。利用模糊神经网络进行学习,调整隶属函数的形状及结论部分的参数;同时,还提出了一种在学习过程中动脉筛选模型规则的方法,仿真结果验证了算法的有效性。