动态系统模糊模型的快速辨识及其应用

本文提出一种快速MISO模糊辨识方法,它由前提结构辨识、前提参数辨识和结论参数辨识等三部分构成。仿真研究表明:本辨识方法可产生高精度模型,并且具有较小的计算量。     

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.     

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     

一类非线性大系统的鲁棒H∞模糊双曲分散控制

针对一类具有参数不确定性的非线性大系统给出鲁棒H∞模糊双曲分散控制.采用模糊双曲模型(FHM)来逼近某些复杂的非线性大系统,然后采用基于FHM的状态反馈控制器,并根据Lyapunov方法和大系统的分散控制理论,以线性矩阵不等式(LMI)的形式给出使系统满足H∞性能指标的充分条件.与Takagi-Sugeno(T-S)模糊模型相比,FHM不需要前提结构的辨识和完备的前提参数空间,尤其当需要很多条规则来逼近复杂非线性系统时,采用FHM明显比采用T-S模型减少计算代价.仿真例子证明了提出方法的可行性和有效性.     

Sugeno模糊模型的辨识

提出了一种新的Ｓｕｇｅｎｏ模糊模型辨识算法。在Ｓｕｇｅｎｏ模糊模型辨识中,应用模糊聚类方法可将其前提结构和结论参数的辨识分开进行,减少了计算量。通过Ｂｏｘ－Ｊｉｎｋｉｎｓ数据建模说明了本文算法的有效性。     

闪速炉的仿人模糊质量控制模型

在闪速熔炼过程模糊质量模型的基础上，进一步提出了闪速炉仿人模糊质量控制模型，即利用Takagi-Sugeno-Kang(TSK)模糊模型建立闪速熔炼炉产品质量的控制模型，并对控制模型进行了结构辨识和模型参数调整，在此基础上，针对闪速炉的运行状况，分别建立了静态和动态质量控制模型，仿真结果表明：动态质量控制模型要优于静态模型，在生产现场经过2个月的控制模型离线指导操作工操作，质量指标能够稳定地控制在指定的范围内，证实了动态模糊质量控制模型的有效性。     

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.     

智能自校正多模态轨迹跟踪控制

对于类似于机械手的运动轨迹跟踪和定位控制,为了获得良好的跟踪性能和定位精度,针对复杂多变的被控对象,运用智能控制理论,引入对象过程特征和行为特征的概念,以对象的过程特征状态和行为特征状态为条件元素,构造了1个分层递阶高阶产生式跟踪控制系统结构.系统在运行过程中通过对对象的过程特征和行为特征辨识,实现控制器参数的自动调节和多模态控制.为了具体实现该系统结构的应用,建立用于过程特征辨识、参数校正和控制决策的特征模型,以及从过程特征状态集、行为特征状态集到参数校正模态集和控制决策模态集的映射关系.针对机械手的运动特性进行了仿真研究,仿真结果表明,该系统结构具有较强的鲁棒性,是一种行之有效的方法.     

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

基于组合信号源的非线性系统的子空间辨识

为解决对非线性采样系统的状态空间Hammerstein模型难以辨识的问题,提出了基于组合信号源的辨识方法.首先用组合信号源将静态非线性环节和动态线性环节分离.其次,采用模糊神经模型拟合静态非线性环节,有效地避免了采用多项式方法逼近非线性函数的限制,拓宽了非线性模型的适用范围;采用子空间算法估计采样系统的状态空间参数矩阵.最后,通过对两个非线性Hammerstein系统模型的仿真,验证了所提出的辨识方法,既简化了辨识过程,对非线性模块能够较好地拟合,又可以很快估计出状态空间方程系数矩阵,从而证明了所提方法的准确性和有效性.