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。     

支持向量机非线性系统模型辨识的研究

采用标准支持向量机(SVM),v-支持向量机,模糊支持向量机,充分发挥其可以任意逼近非线性模型的良好特性对非线性系统进行模型辨识,通过仿真试验表明SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力.     

应用在系统辨识中的一种改进的遗传神经网络模型

分析了传统系统辨识方法和神经网络方法各自的优缺点,提出一种应用在强非线性系统辨识中的遗传神经网络模型。针对神经网络的收敛速度和全局收敛性的缺陷,分别采用高速收敛算法和遗传算法进行了改进,取得了较为满意的结果。针对神经网络泛化能力差不易应用的缺点,使用了结构进化方法和结构设计方法中的剪枝算法来改善模型的泛化能力。最后使用2个模拟信号进行仿真试验,结果与分析的结论一致。     

基于Takagi-Sugeno模糊模型的小型无人直升机系统辨识

提出了一种基于非线性系统模糊辨识建立小型直升机动力学特性模型的新方法,分析了小型直升机的4个舵机输入和位姿变量、运动变量的模型.设计实验采集和预处理得到辨识和验证所用的数据.通过辨识航向通道的动力学模型来说明模糊辨识在小型直升机建模中的可行性和有效性,并通过与最小二乘法辨识结果比较,表明该模糊辨识建模方法具有建模简单、模型精度高等优点.研究结果对小型直升机系统的建模和控制具有一定的实用价值.     

规则递归T-S模糊模型及其辨识方法

针对传统T-S模糊模型不能较好描述系统时变特性的问题,提出了一种基于递归策略的动态T-S模糊模型及其辨识方法.规则递归T-S模糊模型在传统T-S模糊模型基础上,增加了具有一定权重的反馈环节,该环节对当前激励强度与前一时刻激励强度进行加权和得到当前时刻新的规则激励强度,从而实现动态递归变化,有效描述了系统的动态过程.为使规则递归T-S模糊模型具有较少的规则数量和较好的泛化能力,前件参数采用一种基于规则激励强度的模糊聚类算法获得,而后件和递归环节参数则采用一种由支持向量机和粒子群优化算法组成的联合辨识方法获得.Box-Jenkins煤气炉的仿真结果表明,规则递归T-S模糊模型及其辨识方法具有较好的动态描述能力,与混合聚类方法相比,均方差降低了1.2％.     

基于模糊遗传优化支持向量机的系统辨识研究

在实际应用中支持向量机的参数选取问题一直没有得到很好地解决,限制了其应用。为了能够自动获取最优的支持向量机参数,提出了基于模糊遗传算法的SVM参数选择方法,用模糊逻辑在线调整遗传算法的交叉概率pc和变异概率pm,并采用基于模糊遗传优化的支持向量机回归和BP神经网络对非线性系统辨识问题进行了研究。仿真结果表明,在小样本情况下,支持向量机比神经网络具有更高的系统辨识精度和更好的泛化能力。     

模糊聚类学习算法在连续搅拌反应釜(CSTR)系统动态建模中的应用

针对化工生产过程中一类强非线性对象的动态建模问题,采用模糊最近邻聚类学习算法对这类对象中有代表性的ＣＳＴＲ系统进行了模拟动态建模．仿真结果表明效果良好,且从算法的简便性、收敛性及运算速度上来说,优于一般的模糊辨识和神经网络辨识算法．从模型简化的思想出发,文中还对传统算法进行了适当的改进,使模型和模型的泛化特性得到了进一步简化和加强     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

基于最优边界划分的多层次复杂系统参数辨识方法

为了提高多层次复杂系统的模糊控制能力,需要进行参数辨识优化设计,提出基于最优边界划分的多层次复杂系统参数辨识模型。构建多层次复杂系统参数辨识的约束参量模型,采用模糊二自由度微分方程进行多层次复杂系统参数辨识和多元规划模型设计,建立多层次复杂系统参数分析的模糊正交规划函数,结合模糊交叉控制方法进行多层次复杂系统参数的分布式拟合控制,建立模糊控制函数进行多层次复杂系统参数的多层次复杂系统参数特征分解,结合小波函数多尺度分解方法进行多层次复杂系统参数特征量的多维分解,构建多层次复杂系统参数分量的特征重组模型,结合模糊正交规划函数的自动寻优方法进行多层次复杂系统参数的自适应求解,提高多层次复杂系统参数辨识的精度,实现多层次复杂系统参数辨识模型设计。仿真结果表明,采用该方法进行多层次复杂系统参数辨识的收敛性较好,多层次复杂系统参数辨识的精度较高。     

一类非线性随机系统的模糊双曲H_∞滤波

针对伊藤型非线性随机系统,对基于模糊双曲正切模型的H∞滤波问题进行了研究.首先通过定义非线性随机系统的模糊双曲规则基,推导出系统的随机模糊双曲正切模型(SFHM);与Takagi-Sugeno(T-S)模糊模型相比,SFHM不需要前提结构的辨识和完备的前提参数空间,尤其是当所需模糊规则数很多时,采用SFHM明显比T-S模型计算负担小;然后基于该模型进行了滤波器的设计,把非线性随机H∞滤波设计中难以求解的二阶汉密尔顿-雅可比不等式问题转化为线性矩阵不等式问题.仿真结果验证了所提出方法的有效性.     

基于类高斯隶属函数的自适应模糊推理建模研究

由于传统模糊建模方法中模型参数都是根据经验选取的,它对于不同系统的动态跟踪能力不同,泛化能力差。针对常规模糊推理的局限性,提出一种类高斯隶属函数,证明了基于类高斯隶属函数的自适应模糊推理系统以精度逼近任意非线性系统。设计了自适应模糊推理系统的结构和参数调整方案,利用梯度下降算法学习模型中的参数,仿真验证了自适应模糊推理模型的逼近性能。     

一种基于动态模糊神经网络的飞行数据模型辨识方法

针对飞行数据的特点,提出了一种基于动态模糊神经网络(DFNN)的飞行数据模型辨识方法。该方法采用在线学习方式,通过动态增加和删除神经元节点的策略实现网络结构学习,采用递推最小二乘法实现网络权值的在线调整,以最终得到一个结构简单、泛化能力强的神经网络。以某特定时间段的飞参数据为仿真样本,将该DFNN用于参数关联模型的辨识,实验结果表明该辨识方法收敛速度快、泛化能力强。     

基于最小二乘支持向量机的TSK模糊模型

为了提高模糊系统处理高维问题的推广能力, 本文提出用最小二乘支持向量回归机(LSSVR)的思想设计TSK模糊模型.TSK模糊模型的传统算法普遍存在过学习问题, 为此我们在目标函数中考虑了结构风险从而避免了过学习现象.并且,我们将模糊系统的参数寻优问题转化为一个二次规划问题进行求解.由于该规划问题的求解与输入数据维数无关,适用于处理高维数据.算法分为两步：首先用Gustafsonk-Kessel (GK)算法确定模糊规则的前件;然后用最小二乘支持向量算法确定模糊规则的后件,这里的核函数是由模糊聚类确定的, 经证明它是Mercer核.三个著名数据的实验结果表明,与TSK模糊系统的传统算法相比,本文所提的算法提高了TSK模糊系统处理高维问题的推广能力;与LSSVR相比,,本文所提的算法具有良好的鲁棒性.     

基于高斯函数与分级学习的D-FNN算法研究

D-FNN基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看做是基于归一化的高斯RBF神经网络。该文提出的算法,学习前,模糊神经网络不需要预先确定,在学习的过程中,参数估计与结构辨识同时进行,并根据系统精度要求及模糊规则的重要性,自动地产生或者删除一条模糊规则。在学习速度、系统结构和泛化能力方面进行了仿真实验,仿真结果表明D-FNN具有更简洁的结构和优良的性能。     

Linguistic granular model: design and realization

Linguisticgranularmodel[1—5]hasemergedasan interesting,attractiveandpowerfulmodelingenvi ronment.Incontrasttothosenumericallylinguistic models,linguisticgranularmodelfocusesoncreating theinstructivelinguisticgranularindataspacerather thanthenumericformation.Mostnumericallylin guisticmodelsemphasizetheiraccuracyratherthan transparency.However,someresearchersutilized conditionalfuzzyclustering(CFC)[6—8]toconstructa user drivenlinguisticmodel,inwhichtheinformation andrequirementsofuserarerepre…     

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.     

Linguistic granular model: design and realization

A new linguistic granular model is proposed and the effect of its parameters on the output is analyzed. The design of the model consists of two stages: using conditional fuzzy clustering for information granular, and integrating all information granules to final output. The integrating tool is fuzzy integral based on fuzzy measure, and the generalization of fuzzy integral increases flexibility of the linguistic granular model greatly. A heuristic algorithm to determine the parameters in the fuzzy integral is used to realize the linguistic model. Two experiments verify the feasibility of the proposed model.