镍闪速熔炼过程的模糊动态质量模型与控制

提出了利用Ｔａｋａｇｉ－Ｓｕｇｅｎｏ（简称Ｔ－Ｓ）模糊模型建立镍闪速熔炼过程动态质量模型的方法（即考虑过去与当前的输入、输出信息对将来输出的影响）,并对其动态过程进行了结构辨识和模型参数辨识。;在此基础上,针对建立的模糊动态模型,设计了２种不同的模糊控制器,一种是建立模糊动态质量模型的逆模型来实现控制;另一种是通过模型计算输出的前馈控制加系统输出的反馈控制来实现控制。经过２个月的离线指导和实际在线     

镍闪速熔炼过程的模糊动态质量模型与控制

提出了利用ＴａｋａｇｉＳｕｇｅｎｏ（简称ＴＳ）模糊方法建立镍闪速熔炼过程动态质量模型的方法（即考虑过去与当前的输入、输出信息对将来输出的影响）,并对其动态过程进行了结构辨识和模型参数辨识．在此基础上,针对建立的模糊动态模型,设计了两种不同的模糊控制器．一种是建立模糊动态质量模型的逆模型来实现控制;另一种是通过模型计算输出的前馈控制加系统实际输出的反馈控制来实现控制．经过２个月的离线指导和实际在线控制运行,证明了这种方法的有效性．镍闪速熔炼过程的模糊动态质量模型与控制@万维汉$西安交通大学!71004…     

等延时模糊多变量系统的自适应控制

基于ＴａｋａｇｉＳｕｇｅｎｏ模型（ＴＳ模型）推导出等延时模糊多变量系统输出的预测模型，提出了等延时模糊多变量系统的自适应控制算法，并简要讨论了闭环系统的稳定性     

生态遗传算法在模糊系统辨识中的应用

给出一类模糊系统的模糊神经网络模型 .提出一种实用的生态算子 ,构建的生态遗传新算法有效解决了基本遗传算法的“早熟”问题 .采用新算法实现模糊神经网络模型的辨识 ,提高了辨识精度 .实例仿真结果验证了新算法在模糊系统辨识中的有效性     

基于遗传算法的神经模糊网络

从改进Ｓｕｇｅｎｏ模型的神经模糊网络入手，提出了利用遗传逄法对该网络的参数进行优化，以期在被控对象未知的情况下也能达到预定的要求，最后以倒摆为例，通过计算机仿真验证了这一方法的可行性。     

基于T-S模型的模糊神经网络

一种基于Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模型的模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，它相当于每条规则的适用度。后件网络用来实现模糊规则的后件。总的输出为各模糊规则后件的加权和，加权系数为各条规则的适用度。所提出的模糊神经网络具有局部逼近功能，且具有神经网络和模糊逻辑两者的优点。它既可以容易地表示模糊和定性的知识，又具有较好的学习能力。给出了调整规则后件参数及前件隶属度函数参数的学习算法，举例说明了它的逼近性能。     

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.     

广义Takagi-Sugeno模糊系统与其分层系统的等价性

引入广义分层Ｔａｇａｋｉ－Ｓｕｇｅｎｏ模糊系统,“规则爆炸”或“维数灾难”问题可由该系统得到解决,通过引入中间变量,证明了分层模糊系统的Ｉ－Ｏ关系可以表示为带 有中间变量的广义ＴＳ模糊系统;反之,一个分层系统也可表示模糊系统的Ｉ－Ｏ关系。     

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。     

一种基于模糊聚类和遗传算法的模糊神经网络模型的学习算法

提出了一种基于模糊聚类和遗传算法的模糊神经网络的学习算法,采用 模糊Ｃ－均值聚类算法进行模糊神经网络模型的结构辨识,得出最优或次优的模 糊规则数,采用改进的遗传算法进行系数辨识。仿真结果证明该算法是可行和有 效的。     

基于状态空间模型的模糊控制系统稳定性分析

根据Sugeno形式的模糊推理给出了控制系统的状态空间模型,对于局部子系统可分别设计子控制器。重点分析了全局控制系统的稳定性,给出了一种判定系统稳定性的方法,并用一个例子验证了该方法的有效性。     

可能性测度的扩张与Fuzzy积分的推广

本文讨论可能性测度的一般扩张理论,证明了对于任给的非空集类C,从它的原子全体的类上到单位区间的任一非降映照都可唯一地扩张为C所产生的广域上的广义可能性测度。进而,定义一类称之为SF-Fuzzy测度的集函数,它不仅包含了所有管野Fuzzy测度,而且也以广义可能性测度为其特例。相应地,推广管野Fuzzy积分,且保持几乎所有原来的初等性质。     

Fuzzy测度序列的收敛性和积分序列的收敛定理

本文在Sugeno的Fuzzy测度和Puzzy积分意义下,给出了Puzzy测度序列的几种收敛定义,其中包括收敛、一致收敛、弱收敛、α-几乎处处收敛、依α-测度收敛及α-平均收敛,同时讨论了它们之间的关系,最后,推广了Fadou引理与Lebesgue收敛定理。     

简化模糊推论模型与多层构造模糊推论模型的对比研究

能够直接输出非模糊值的简化模糊推论已被广泛应用于控制系统.随着条件部成员函数个数的增加,这种模糊推论模型能够获得较高的输出精度.但是,对于采用从现实环境下获取的示教数据进行模型学习的情况,简化模糊推论模型有时难以获得很高的辨识精度.本文采用现实环境下的两种典型的示教数据,对单层构造的模糊推论模型和多层构造的模糊推论模型进行辨识.实验结果表明,多层构造的模糊推论模型比单层构造的模糊推论模型具有更高的辨识精度和对示教数据的适应能力.图7,表4,参16.     

一种复杂系统的模糊模型结构及递推辨识方法

提出了一种复杂系统的模糊模型结构及辨识方法．该模糊模型利用系统的输入和输出数据,将输入和输出空间视为模糊空间．根据辨识精度将模糊空间划分为ｍ 个子空间,每个子空间由线性模型来表征．由隶属函数将子空间模型联接成全局模型来表征系统的整体特性．隶属函数和子空间的模型参数由递推辨识方法实现．仿真结果表明,这种模型结构可以表达复杂系统的特征和辨识算法的有效性     

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.     

基于混合神经网络的模糊辨识方法

提出一种简明而有效的基于混合神经网络的模糊辨识方法．与现有方法不同,该模糊辨识方法采用自组织神经网络和模糊聚类网络两部分组成的三层神经网络来实现．实验结果表明,该方法可以为模糊建模提供好的模型结构,并具有较高的计算效率和精度．     

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.