一类单摆系统的模糊建模

研究一类单摆系统的T-S模糊建模问题.结合传统的近似线性化的模糊建模方式,将无法近似的非线性项按照不确定项进行处理,进而可以得到单摆系统较为简单的T-S模糊模型,这样就可以采用鲁棒技术对所得到的不确定T-S模糊系统进行控制设计.尽管该建模方法会得到维数较大的矩阵不等式,但却可以按阶数地减小模糊规则数目,在实际中是可行的.     

一类非线性系统的扇区模糊建模方法

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。     

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。     

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.     

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。     

分布参数系统的模糊插值推理建模

通过T-S模糊系统与HX方法结合,设计分布参数系统的分片T-S型模糊插值推理建模法,给出了算法的实现步骤.T-S型模糊插值推理建模法可以利用有限采样数据信息,反映分布参数系统时空规律.该建模方法满足插值机理,参数易求.理论分析与仿真实验均验证了方法的有效性,表明算法建模精度较高,运行时间较短.     

一类不确定T-S模糊系统的H_∞控制器设计

基于线性矩阵不等式的方法,研究了一类带有不确定参数的T-S模糊系统的H∞控制器设计问题.给出了参数不确定的T-S模糊系统的系统建模以及系统的二次稳定性,并且对此类T-S模糊系统的H∞控制问题进行了探讨,给出了新的基于状态反馈H∞控制器的设计方法.     

基于均匀设计的T-S建模方法

T-S模糊系统被广泛应用在基于数据的建模方法中.模糊规则作为T-S模糊系统的核心,是影响系统精度和泛化性能的重要因素,然而模糊规则数量的确定非常困难.考虑基于减聚类的规则生成方法中,聚类半径直接影响规则生成数量,采用均匀设计设定聚类半径,合理选择规则数量,简化了复杂多变量系统的建模问题.实例证明所提出基于均匀设计思想的聚类半径设定法简单易行,具有较好的实际应用价值,适合于复杂多变量系统的建模应用.     

基于自适应神经网络的歼击机模糊跟踪控制

提出了一种基于T-S模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,利用T-S模糊模型对系统的已知特性进行近似建模,设计基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.在模糊控制的基础上,引入了基于RBF神经网络的自适应控制,用于在线对消不确定项和模糊建模误差的影响,以保证系统具有期望的鲁棒H∞跟踪性能.所提出的方案保证了闭环系统的稳定性,有效地提高了系统的鲁棒性和跟踪性能.仿真实例表明了所提出方法的有效性.     

变时滞不确定模糊系统鲁棒观测器的设计

T-S模糊模型可以对复杂非线性系统提供有效的表达方式。文中，利用模糊T-S模型对非线性不确定时滞系统进行建模，在此基础上，提出了通过模糊状态反馈和基于观测器的模糊反馈控制器镇定不确定非线性时滞系统的方法。用短阵不等式给出了模糊反馈增益和模糊观测器增益的存在的充分条件，并将这些条件转化为线性矩阵不等式（LMI）的可解性，仿真结果表明了文中所提出的模糊控制方法是有效的。     

广义非线性交联大系统的鲁棒模糊分散控制

利用广义T S模糊模型对广义非线性交联大系统进行了鲁棒控制研究·首先 ,对广义非线性交联大系统建立模糊模型·然后 ,在系统可解条件下 ,给出了模糊分散控制器的设计方法 ,分析其考虑建模误差时的鲁棒稳定性 ,给出基于LMI的闭环系统鲁棒稳定的充分条件·进而 ,应用模糊规则及权重的性质得到基于LMI优化技术的低保守性的鲁棒模糊分散控制器设计方法·最后 ,算例说明了控制器的设计步骤和有效性·     

模糊逻辑系统BP算法在生化过程建模中的应用

基于模糊逻辑系统ＢＰ算法原理,结合一个生化反应建模的实例,阐述了实际建模的具体步骤．总结出一种较好的用五电平伪随机码作为输入激励信号的方法,它比一般的伪随机信号更能激励出系统的特性,且产生和使用都很方便．与神经网络辨识器比较,它具有参数少,收敛速度快,泛化特性好等优点．     

模糊神经网络在横向经济效益评价中的应用

从多目标决策角度研究了模糊神经网络在横向经济效益评价中的应用,并采用ＢＰ算法训练网络仅值及模糊子集的划分。对于同行业十个大中型企业的经济效益指标数据的建模与评价结果表明,该方法具有很强的学习与泛化能力,在处理诸如企业经济效益指标体系这种具有一定程度不确定性系统的建模与评价方面有一定的应用价值。     

基于量子进化算法的演化ANFIS模型及其应用

利用量子进化算法对自适应模糊推理系统进行建模,从而利用自适应模糊推理系统和量子进化算法的两方面的优点来对种群结构进行优化,从而达到优化整个模糊推理系统的目的。通过仿真实例,将结合量子进化算法与自适应模糊推理系统分别应用于单输入单输出的模糊系统、多输入单输出模糊系统和多峰非线性模糊推理系统中,通过训练数据和测试数据得出性能的寻优跟踪路径及误差曲线进行比较。实验数据对比表明,ANFIS的缺点是精度低,GA-ANFIS的缺点是训练时间过长,而QEA-ANFIS主要摒弃了ANFIS训练的精确度上述两个系统的明显缺陷,既提高了精度又缩短了训练时间。     

基于遗传算法的动态模糊模型辨识非线性系统方法

针对复杂的动态系统,提出了一种基于遗传算法的模糊模型辨识方法,给出了学习模糊规则的新算法,探讨模糊推理方法和遗传学习算法用于非线性系统建模的问题,仿真结果证明了该算法的有效性。     

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．     

基于满意聚类的非线性系统多模型建模方法

针对一类生产过程中存在严重非线性的系统，基于系统运行中积累的可靠的输入／输出数据，提出了一种新的多模型建模方法．根据对各种指标的满意要求，对数据进行二次聚类，不仅得到了更有效的系统多模型，而且得到了每个模型的适用域．与模糊聚类和建立T—S模型方法相比，本方法不依赖系统的先验知识和预先定义模糊隶属度，具有良好的泛化性．以pH中和过程为例进行了仿真研究，验证了该方法简单易用，有很高的建模精度，并对存在的数据不确定性具有一定的鲁棒性．     

不确定广义非线性时变时滞系统的鲁棒容错控制

研究了一类具有不确定广义非线性时变时滞系统的鲁棒容错控制问题.采用T-S模糊模型对系统进行描述,在系统存在扰动和执行器失效情况下,设计了的状态反馈控制器,基于Lyapunov稳定性理论和LMI方法,给出了与时滞相关的系统稳定的充分条件,满足性能指标.通过引进自由加权矩阵来表述系统变量之间、Leibniz-Newton公...     

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.