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。     

高炉铁水硅含量的智能预测

文章提出了一种基于T-S模型的自适应模糊神经推理系统的高炉铁水硅含量智能预测模型,采用模糊聚类算法对样本数据进行分析归类,自行生成模糊规则库,实现模型结构简化和参数优化,特别适用于高炉冶炼这类复杂的非线性系统的预测系统建模;仿真结果表明,该方法预测命中率高,具有很好的实用性.     

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.     

基于改进T-S云推理网络的板形模式识别方法

将云模型与T-S模糊神经网络相结合,利用正态云代替模糊神经网络的隶属度函数,构成T-S云推理网络.该网络综合考虑了模糊逻辑的快速性和云模型处理数据的不确定性,增强了网络处理数据的能力,同时分析了T-S云推理网络的结构和稳定性.在超熵确定的情况下,使用最速下降法辨识了T-S云推理网络的参数,将该网络应用于板形模式识别,并与T-S模糊神经网络作了对比.仿真结果表明:T-S云推理网络抗干扰能力较强,能够识别出常见的板形缺陷,并且识别精度较高.     

一种基于改进BFO和RLS的模糊建模方法

为了提高非线性系统的模糊建模精度,提出了一种基于改进的菌群优化算法(IBFO)和递推最小二乘(RLS)算法的模糊建模混合学习算法。该方法采用T-S模糊系统进行函数逼近,首先用改进的菌群优化算法优化模糊模型的前提参数,然后用递推最小二乘算法优化模糊模型的后件参数,实现对模糊模型全局参数的优化。对非线性系统、煤气炉数据和气动加载系统的建模表明,该方法在逼近精度方面优于其他方法。     

基于T-S模糊神经网络的柔性评价专家系统

基于T-S模糊模型提出了一种易于推理的神经网络结构,通过神经网络的自适应模糊控制简化了系统的有效辨识,讨论了其自学习算法,给出了用于模糊推理的估值算法和3级知识表示法,并分析和构造了MIMO型教学柔性评价专家系统的模糊建模技术,实现了自动评价的柔性专家系统。     

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T-S模糊神经网络的柔性评价专家系统

基于T-S模糊模型提出了一种易于推理的神经网络结构,通过神经网络的自适应模糊控制简化了系统的有效辨识,讨论了其自学习算法,给出了用于模糊推理的估值算法和3级知识表示法,并分析和构造了MIMO型教学柔性评价专家系统的模糊建模技术,实现了自动评价的柔性专家系统。     

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.     

一种新的T-S模糊模型数学建模方法

T-S模糊系统被广泛应用于基于数据的建模应用中,T-S模糊系统的建模问题在非线性系统的分析与设计中一直是个很重要的问题.在常见的T-S模糊系统建模方法的基础上,提出一种新的建模方法.该方法利用泰勒级数和麦克劳林级数展开式将非线性项进行分解,相对于现有的建模方法来讲,在一定程度上提高了建模精度.