基于递阶分解聚类的非线性系统递推模糊辨识

提出一种基于递阶分解聚类的递推模糊辨识方法．采用半模糊化方法对论域内的样本进行归类,根据各子集“线性化”程度评判模糊聚类的有效性,通过对性能最差的子集进行分解并辨识新增子模型的参数,逐步完成整个样本空间的模糊划分和模型辨识过程．在线辨识时采用递推最小二乘算法对模糊规则进行修正,同时可根据建模精度的要求删除性能最差的规则,并确立新模糊规则．仿真研究表明了该方法的有效性．

     

模糊聚类与最小二乘相结合建立非线性系统模型

提出一种模糊聚类与最小二乘相结合的辨识方法.该方法利用基于模糊似然函数的模糊聚类算法确定系统的模糊划分数目,进而对应聚类个数建立相应的Takagi-Sugeno局部线性化模型,并结合递推最小二乘法,完成系统的辨识.该方法可使模糊模型的结构辨识和参数辨识同时完成,从而实现模糊模型的在线辨识.该方法辨识速度快,精确度高.仿真结果验证了该方法的有效性.     

基于改进遗传算法的非线性系统模糊辨识新方法

提出一种基于改进遗传算法和递推最小二乘的非线性模糊辨识新算法.该辨识方法包含结构辨识辨出和参数辨识,结构辨识即输入空间的模糊划分,采用具有自适应性的广义高斯隶属函数;参数辨识包含前提参数和结论参数,用基于动态比例变换的改进遗传算法优化高斯函数的前提参数,用递推最小二乘辨识模糊模型的结论参数.最后通过著名的Box-Jenkins煤气炉数据仿真(仿真环境:MATLAB 6.5,计算机主频2.4 GHz,内存512 MB),并根据输入变量个数和模糊规则数,得到均方误差以证明本文方法的辨识精度,将该文辨识方法与其他方法进行比较,验证了该方法辨识精度更高.     

基于在线聚类的模糊建模方法及其应用

针对复杂非线性动态系统的模糊建模问题,提出了一种基于在线聚类的模糊建模方法。该方法首先采用在线聚类算法辨识T-S模型的前提参数,然后采用递推最小二乘算法辨识结论参数。根据系统过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新。最后将提出的方法应用于Box-Jenkin煤气炉建模和二自由度机器人建模两个例子。仿真结果表明,基于该方法辨识的T-S模糊模型具有很高的精度,而且模型结构简单、建模速度快,便于工程应用。     

基于模糊神经网络的非线性系统模型的辨识

该文提出一种非线性系统的模型辨识方法．利用关系聚类法来进行结构辨识，从而自动获得模糊规则库，并可以得到模糊系统的初始参数，在聚类的基础上，构造一个与之相匹配的模糊神经网络，用它的学习算法来训练网络，得到一个精确的模糊模型，从而实现参数辨识，通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于T-S模型的自适应模糊广义预测控制

对一类非线性系统,利用一种基于模糊规则的快速模糊辨识方法建立起系统的T—S模型,并基于该模型应用局部递推最小二乘方法根据采样值对模型参数进行在线修正,根据系统动态线性化模型采取广义预测控制策略,从而实现了基于T—S模糊模型的非线性系统自适应模糊预潮控制。与以往的模糊广义预测控制算法相比,此方法简单,而且较大地减少计算量,适合于在线控制。通过仿真研究验证所提方法的有效性。     

基于一种新模糊模型的非线性系统模糊辨识

提出一种基于新的模糊模型和加权递推最小二乘算法 (WRLSA)的非线性系统模糊辨识方法.新型的具有插值能力的模糊系统可以通过学习从输入输出采样数据中提取MISO系统模糊规则,它继承了Sugeno模型及其变化形式的许多优点.采用相应的模糊隶属函数,使得被辨识的模型可用若干局部线性模型来表示,然后利用WRLSA拟合这些线性模型.给出了详细的模糊辨识算法,为了验证该辨识方法的有效性,还给出了对熟知的Box-Jenkins数据的辨识结果.     

基于协同进化算法的TS模糊模型设计

提出一种基于协同进化算法的TS模糊模型设计方法．该方法由以下两步组成：（1）采用模糊聚类算法辨识初始的模糊模型；（2）利用协同进化算法对所获得的初始模糊模型进行结构和参数的优化．协同进化算法由两类种群组成：规则前件种群和隶属函数参数种群；其适应度函数同时考虑模型的精确性和解释性，采用两种群合作计算的策略；为提高模型的解释性，在协同进化算法中利用基于相似性的模型简化方法对模型进行约简．最后，利用该方法对Mackey-Glass系统进行辨识，仿真结果验证了方法的有效性．     

基于T-S 模型的模糊预测控制研究

提出一种基于T—S模型的模糊预测控制策略．利用模糊聚类算法高线辨识T—S模型，采用带遗忘因子的递推最小二乘法进行模型参数的选择性在线学习；对模糊模型在每一采样点进行线性化，将T—S模型表示的非线性系统转化为线性时变状态空间模型，并将约束非线性优化问题转化为线性二次规划问题，解决了非线性预测控制中如何获得非线性模型和非线性优化在线求解的难题．将预测域内的线性模型序列作为预测模型，减小了模型误差，提高了控制性能．pH中和过程的仿真验证了该方法的有效性．     

基于T-S模型的非线性系统模糊聚类辨识方法

提出一种基于T-S模型的非线性系统模糊聚类辨识方法,对T-S模糊模型的前提部分和结论部分进行分开辨识,既简化该模型的辨识步骤,又提高它的泛化能力,同时也解决了T-S模糊模型随辨识系统复杂程度提高而规则数增大的问题。对一个非线性系统辨识的仿真结果验证了这种模糊聚类辨识方法的有效性。     

一种模糊辨识方法及其在电站仿真器中的应用

利用模糊聚类和最小二乘估计方法提出一种糊辨识方法。该方法是基于模糊聚类,计算给定样本在各类中的隶属度,并利用递推最小二乘估计辨识模糊模型的后件参数。采用该方法对火力发电厂电站仿真器中的汽轮发电机密封油冷却系统进行建模研究,取得了满意的效果。     

基于目标函数的模糊模型一体化建模

基于模糊集合的模糊模型, 利用模糊推理规则描述复杂、病态、非线性系统是一种有效方法. 本文提出了利用目标函数确定非线性系统的结构和参数的方法. 首先, 通过Gustafson-Kessel(GK)模糊聚类确定模型结构. 然后, 通过目标函数与参数估计一起进行递推计算, 进而实现对模糊模型结构简化, 删除冗余规则. 结构确定过程中采用了UD矩阵分解方法, 大大降低了计算量. 仿真结果证明了提出方法的有效性.     

一种基于数据挖掘的模糊建模方法

为提高非线性系统模糊建模的速度和精确度,提出一种快速有效的基于数据挖掘的非线性系统模糊建模方法.该方法先采用改进的减法聚类结合模糊C-均值聚类进行结构辨识,在解决初始化问题的同时减少计算量,进而提高建模速度;然后利用带动态遗忘因子的递推最小二乘法进行后件参数辨识,减小动态误差,提高建模精度.将提出的方法应用于Box-J...     

Fuzzy identification of a greenhouse

Nonlinear dynamic systems’ modelling is difficult. The solutions proposed are generally based on the linearization of the process behaviour around the operating points. Other researches were carried out on this technique of linearization not only around the operating points, but also in all the input–output space allowing the obtaining of several local linear models. The major difficulty with this technique is the model transition. Fuzzy logic makes it possible to solve this problem thanks to its properties of universal approximator. Indeed, many techniques of modelling and identification based on fuzzy logic are often used for this type of systems. Among these techniques, we find those based on the fuzzy clustering technique. The proposed method uses in a first stage the fuzzy clustering technique to determine both the premises and the consequent parameters of the fuzzy Takagi–Sugeno rules. In a second stage these consequent parameters are adapted by using the recursive weighted least squares algorithm with a forgetting factor. We will try in this paper to apply this method to model the air temperature and humidity inside the greenhouse.     

On-line fuzzy modeling via clustering and support vector machines

In this paper, we propose a novel approach to identify unknown nonlinear systems with fuzzy rules and support vector machines. Our approach consists of four steps which are on-line clustering, structure identification, parameter identification and local model combination. The collected data are firstly clustered into several groups through an on-line clustering technique, then structure identification is performed on each group using support vector machines such that the fuzzy rules are automatically generated with the support vectors. Time-varying learning rates are applied to update the membership functions of the fuzzy rules. The modeling errors are proven to be robustly stable with bounded uncertainties by a Lyapunov method and an input-to-state stability technique. Comparisons with other related works are made through a real application of crude oil blending process. The results demonstrate that our approach has good accuracy, and this method is suitable for on-line fuzzy modeling.     

Hierarchical unsupervised fuzzy clustering

A recursive algorithm for hierarchical fuzzy partitioning is presented. The algorithm has the advantages of hierarchical clustering, while maintaining fuzzy clustering rules. Each pattern can have a nonzero membership in more than one subset of the data in the hierarchy. Optimal feature extraction and reduction is optionally reapplied for each subset. Combining hierarchical and fuzzy concepts is suggested as a natural feasible solution to the cluster validity problem of real data. The convergence and membership conservation of the algorithm are proven. The algorithm is shown to be effective for a variety of data sets with a wide dynamic range of both covariance matrices and number of members in each class     

Identification of complex systems based on neural and Takagi-Sugeno fuzzy model

The paper describes a neuro-fuzzy identification approach, which uses numerical data as a starting point. The proposed method generates a Takagi-Sugeno fuzzy model, characterized with transparency, high accuracy and a small number of rules. The process of self-organizing of the identification model consists of three phases: clustering of the input-output space using a self-organized neural network; determination of the parameters of the consequent part of a rule from over-determined batch least-squares formulation of the problem, using singular value decomposition algorithm; and on-line adaptation of these parameters using recursive least-squares method. The verification of the proposed identification approach is provided using four different problems: two benchmark identification problems, speed estimation for a dc motor drive, and estimation of the temperature in a tunnel furnace for clay baking.     

基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制

针对水泥分解炉温度难以控制、模型建立困难且通用性差的问题,提出一种基于信任度模糊C聚类和改进查表法(BFCM-iWM)模糊规则自提取的温度控制方法.首先,采用信任度模糊C聚类方法(BFCM)从分解炉运行样本数据中提取样本的信任度;然后,利用改进查表法(iWM)提取模糊控制规则,减小噪声和坏点数据对规则提取的影响,以温度偏差和偏差变化率为输入量、喂煤增量为输出量构造控制器实现对温度的控制.实验结果表明,提取到的控制规则鲁棒性好、准确性高、分解炉温度控制效果良好.