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...     

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。     

基于机制建模与模糊建模相结合的聚丙烯熔融指数软测量方法

针对聚丙烯熔融指数软测量建模问题,提出一种基于机制建模与模糊建模相结合的建模方法.从聚合反应机制出发,得到熔融指数软测量模型的机理结构框架,将其作为Takagi-Sugeno(T-S)模糊模型的后件部分,然后用加强型模糊聚类算法辨识T-S模型的前件参数.应用结果表明,将机制建模与模糊建模相结合的方法保留了模型参数的物理意义,提高了建模精度,所建软测量模型具有较好的预测性能.     

一种改进的T-S模糊模型建模及优化方法

模糊建模是一种有效的非线性系统建模方法,因为非线性系统的复杂性,仍有很多问题难以处理。针对T-S模糊模型,提出了一种改进的建模及优化方法。首先,将快速搜索密度峰聚类和模糊C均值聚类(FCM)算法相结合,使用快速搜索密度峰聚类算法找到聚类个数和初始聚类中心后,再用FCM算法进行聚类;然后,通过最小二乘法辨识结论参数得到初始T-S模糊模型,使用改进的差分进化(DE)算法整体优化模型的结构和参数,获得最终的T-S模型;最后,选择代表性实例,使用MATLAB程序进行仿真分析和比较,验证了本文方法能有效提高T-S模糊模型的辨识精度和速度。     

基于正则化的模糊C-均值聚类算法及其在T-S模糊系统辨识问题中的应用

在模糊C-均值聚类问题目标函数中使用正则化泛函,将聚类中心解的误差指标引入到模糊聚类的目标函数中,构造出新的模糊C-均值聚类算法RBFCM(Regularization based Fuzzy C-means)算法.算法RBFCM不仅具有较高的聚类精度,且计算结果具有更好的稳定性.进一步,将此RBFCM算法应用于基于T-S模糊模型的系统辨识问题.由于RBFCM算法优化了模糊系统的输入空间划分,提高了隶属度函数的精度,使得后继得到的T-S模糊系统辨识精度也有所提高,且系统辨识过程的收敛速度也有所改善.最后,通过对经典IRIS数据集、带有噪声的IRIS数据集的聚类算例和对Box-Jenkins煤气炉数据集进行辨识算例,验证了RBFCM算法的有效性和优越性.     

一种新的动态进化聚类算法

针对模糊聚类算法不适应复杂环境的问题,提出了一种新的动态进化聚类算法,克服了传统模糊聚类建模算法须事先确定规则数的缺陷。通过改进的遗传策略来优化染色体长度,实现对聚类个数进行全局寻优;利用FCM算法加快聚类中心参数的收敛;并引入免疫系统的记忆功能和疫苗接种机理,使算法能快速稳定地收敛到最优解。利用这种高效的动态聚类算法辨识模糊模型,可同时得到合适的模糊规则数和准确的前提参数,将其应用于控制过程可获得高精度的非线性模糊模型。     

基于T-S模糊模型的RBF网络的自适应学习算法

针对多维模糊推理中的推理规则庞大和参数难辨识的问题,提出一种基于T-S模糊模型的RBF神经网络的自适应学习算法．该算法不仅能动态调节T-S型模糊RBF网络的隐节点数,还能使网络的数据中心值自适应变化,有较好的自学习能力和优化能力．仿真结果验证了该算法是有效和可行的,表明此T-S型模糊RBF网络不仅可以快速逼近任意多变量非线性函数,而且具有良好的自适应能力．     

一种基于T-S模糊模型的自适应建模方法及其应用

提出了一种改进的基于T-S模糊RBF神经网络模型的辨识算法和自适应方法,采用模糊C均值聚类(FCM)算法划分输入输出数据空间,最后将该算法应用于丙烯腈收率的预报,仿真结果表明了这种基于T-S模糊模型的自适应建模方法的有效性。     

基于数据简化及卡尔曼滤波方法的T-S模糊模型辨识

T-S模糊辨识方法已成为模糊集理论和应用中的重要研究。仅在获取被辨识系统输入-输出数据情况下,提出一种能自动建立T-S(Takagi-Sugeno)模糊模型的有效方法。在结构辨识阶段,首先利用GK(Gustafson-Kessel)聚类算法对原始数据集进行聚类划分为若干个子集;再引入重叠因子对每个子集的大小做进一步简化;同时获取各个聚类中心及宽度。对于参数辨识,应用卡尔曼滤波方法求解后件参数值。最后,通过两个实验研究,论证所提出方法的有效性和优越性。     

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.     

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。     

基于模糊聚类方法的T-S模糊系统建模

提出了用一个聚类验证准则设计模糊C均值聚类算法，这个聚类验证准则是用来确定模糊C均值算法中合适的聚类数．针对T—S模糊模型，由模糊c均值聚类算法确定其逻辑前件参数，进而采用最小二乘算法确定模糊推理规则的后件参数．最后，应用本文建模方法对一个非线性实例进行仿真计算，并与其它方法进行了比较，结果表明本文方法是有效的．     

基于T-S模糊模型的酸碱中和过程的系统辨识

针对pH中和过程存在非线性和大滞后性的特点,建立了基于协同GK模糊聚类的T-S模糊模型。将协同模糊聚类与GK相结合进行系统辨识,提高了聚类效果,使其前件和后件参数得到优化。利用上述方法建立了pH中和过程系统模型,取得了良好的仿真效果,验证了该算法的优越性和有效性。     

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。     

基于改进模糊神经网络的电力系统短期负荷预测

提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定模糊神经网络的结构,然后利用混合学习算法训练该网络的前件和结论参数,最后向训练好的模糊神经网络输入相关的影响因素数据进行预测。预测结果显示,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。     

光纤陀螺漂移误差的T-S模糊建模补偿算法

基于G-K聚类算法辨识T-S模糊模型前件参数理论,并采用最小二乘法辨识T-S模糊模型后件参数的误差模型,研究了一种光纤陀螺温度漂移误差的非线性补偿算法。在建立该模型的基础上对光纤陀螺零位输出进行了补偿,计算结果表明采用该种方法能够在不完全了解陀螺误差机理的情况下对其进行有效的补偿。其绝对误差与未补偿相比较降低了99%,同线性拟合补偿相比降低了96%和神经网络补偿比较降低了10%,其误差方差分别减少99%,98%,20%。     

A Multilayer Recurrent Fuzzy Neural Network for Accurate Dynamic System Modeling

A multilayer recurrent fuzzy neural network （MRFNN） is proposed for accurate dynamic system modeling. The proposed MRFNN has six layers combined with T-S fuzzy model. The recurrent structures are formed by local feedback connections in the membership layer and the rule layer. With these feedbacks, the fuzzy sets are time-varying and the temporal problem of dynamic system can be solved well. The parameters of MRFNN are learned by chaotic search （CS） and least square estimation （LSE） simultaneously, where CS is for tuning the premise parameters and LSE is for updating the consequent coefficients accordingly. Results of simulations show the proposed approach is effective for dynamic system modeling with high accuracy.