基于改进T-S模型的热工系统在线辨识算法

提出用一种改进的T-S模型实现非线性系统在线辨识的算法。通过样本与聚类中心矢量之间的贴近度来修正聚类中心,并根据样本到中心矢量的距离对输入数据空间进行划分。在此基础上利用递推最小二乘算法辨识出模型的结论参数。给出了具体的算法步骤,将该方法与其他模糊辨识方法进行比较。结果表明,该方法具有简单、实用、辨识精度高等优点。     

基于模糊聚类多变量系统的模糊辨识方法

提出了一种基于模糊聚类和卡尔曼滤波方法的模糊辨识方法,该方法是基于模糊聚类,计算给定样本在各类中的隶属度,利用卡尔曼滤波器辨识模糊模型的结论参数,给出了详细算法和Ｂｏｘ－Ｊｅｎｋｉｎｓ数据的辨识结果。     

基于聚类算法的C-R模糊模型结构辨识

工业过程中多数系统呈现出非线性、时变性和多模态性等特征,往往难于用机理建模的方法建立它的模型,因此利用系统的输入和输出数据进行非机理建模是非常有意义的。对C-R模糊模型进行了改进,应用关系度聚类算法在线辨识出系统的模态,即系统C-R模型的模糊子空间的数目,提出了C-R模糊模型的聚类建模方法,仿真结果表明了该算法的有效性,节省了运算时间,简化了运算过程。     

基于改进T-S模型的热工过程模糊辨识算法

提出了一种实用的基于T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间进行划分,在此基础上利用递推最小二乘辨识算法建立一个热工过程的T-S模型。文中给出了熟知的Box-Jenkins数据的辨识结果,并将该方法应用于辨识单元机组的协调控制系统。     

多变量非线性系统的有约束模糊预测控制

针对多变量非线性系统提出了一种带约束输入的广义预测控制(GPC)算法.首先对多变量非线性系统建立T-S模糊模型,利用模糊聚类算法和正交最小二乘算法对输入变量的模糊划分及后件部分的参数分别进行辨识,然后在每个采样点对系统进行局部动态线性化.根据得到的系统线性化模型设计GPC算法,该算法充分考虑了控制输入及其增量受约束的情况,而且不必求D iophantine方程,大大减小了计算量.仿真结果表明该算法能保证系统输出有效跟踪设定值,而且控制输入和控制增量均在其约束范围之内.     

基于T-S模糊系统的压电驱动器迟滞特性动态建模

为辨识压电驱动器的速率相关迟滞特性,提出了一种基于Takagi-Sugeno(T-S)模糊系统的迟滞建模方法。首先,引入了新的模糊C回归聚类算法(Novel fuzzy C-regression model algorithm, NFCRMA)划分模糊空间,利用模糊C均值聚类算法(Fuzzy C-means,FCM)完成初始化,再利用改进的模糊C回归聚类算法(Fuzzy C-regression model, FCRM)确定模糊前件。其次,引入了与NFCRMA相对应的超平面隶属函数,利用递推最小二乘法完成模糊后件的辨识。最后,利用上述方法对压电驱动器的迟滞特性进行动态建模。该模型能够较好逼近输入频率在10 Hz到200 Hz的迟滞特性;在正弦衰减信号作用下,模型的相对误差控制在1%之内。实验结果表明该方法有效。     

一种基于改进FCM划分算法的T-S模型辨识

鉴于以往T-S模型建模过程中,在模糊划分上存在主观性的差异,提出了一种基于改进模糊C-均值算法的模糊划分方法,使划分结果尽可能地依赖于原始数据的分布情况,进而将该模糊划分算法用于多输入单输出非线性系统的基于T-S模型模糊辨识.在用该方法对多参量水质评价系统进行基于T-S模型模糊辨识建模时,取得了较好的验证效果.该研究结果表明,基于改进模糊C-均值划分算法的T-S模型辨识能在模糊综合评价与决策等应用领域中取得较好的应用效果.     

遗传算法-模糊聚类动态模糊神经网络辨识

针对非线性系统辨识特点,在剖析具有递归环节的T-S模糊神经网络结构的同时,提出了一种新型的3步设计优化方案,即非线性区域的线性划分、离线训练和在线辨识.将融合了模糊c-mean聚类(GA-FCM)(称为双群体并行聚类)算法引入到RTSFNN中,对非线性系统的输入输出空间进行聚类(线性划分),再在每个线性区域上建立ARMAX模型;利用GA实数编码,同时优化前件隶属函数的中心和宽度、递归增益及后件参数;在线时利用FCM在线分析输入数据特征,确定是否对现有划分进行改动,并利用GA迭代一定代数优化其他参数,直到误差满足要求为止.通过对非线性动态系统的辨识仿真,验证了所提出方法在训练时的寻优速度、训练误差及校验误差指标上均有很大优势.     

基于混合优化算法的模糊系统辨识

针对一种新型分层模糊系统,提出了一种混合优化算法,即利用粒子群优化算法辨识每一个模糊单元模型的前件参数,利用递推最小二乘算法辨识后件参数.采用该辨识方法对Mackey-Glass混沌时间序列及Box-Jenkins数据进行实验,并与果蝇优化算法以及入侵杂草优化算法的仿真结果进行了比较,实验结果表明:这种混合优化算法能够提高分层模糊系统模型的精度.     

基于模糊神经网络的CDMA网络故障诊断方法

为解决常规故障诊断算法难以对CDMA网络故障建模的难题，提出了基于模糊神经网络的CDMA网络故障诊断模型. 该模型的输出层和输入层神经元的个数分别由CDMA网络故障类型和故障诊断所需要的输入量决定. 然后再利用故障诊断专家知识库中的故障诊断样本，对诊断模型进行训练，确定网络的连接权值和模糊隶属度函数. 仿真实验结果验证了该故障诊断模型的有效性.