基于正交最小二乘和UD分解的模糊建模方法

通过改进模糊聚类方法确定模糊模型的前件结构，并对模糊推理关系矩阵进行正交最小二乘估计。通过分析正交向量在模型中贡献的大小确定聚类规则的有效性，然后采用基于UD分解的最小二乘确定模糊模型的后件参数，实现模糊模型的结构和参数的优化。该方法已成功地应用于Box-Jenkins煤气炉的数据系统建模。     

基于模糊模型的结构和参数的一体化辨识

基于模糊集合的模糊建模捕述复杂、病态、非线性系统的特性是一种有效方法．文中讨论了从样本数据中通过正交变换和模糊聚类获取模糊规则的方法．利用正交最小二乘对模糊聚类的结果进行变换,采用CGS（Classical Gram—Schmidt）方法确定对建模贡献大的规则,删除对建模贡献小的规则,并对模型中的参数进行估计,能够同时模对糊模型的结构和参数进行辨识．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．     

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.     

基于模糊聚类和矩阵分解的模糊辨识方法

通过改进模糊聚类方法确定模糊模型的前件结构,然后对模糊推理关系矩阵进行QR分解,通过分析秩的亏损来确定聚类规则的有效性,然后采用基于矩阵UD分解最小二乘确定模糊模型的后件参数,实现模糊模型的结构和参数的优化.该方法成功地应用于Box-Jenkins煤气炉数据系统建模.     

基于T-S模糊系统的软测量混合建模研究

在分析几种模糊系统建模方法的基础上，提出一种简单有效的软测量建模方法．该算法基于变结构构造法模糊建模思想，均匀设计模型的初始结构，以绝对误差为建模指标，通过增加模糊规则来提高T S模糊系统的精度．为降低规则参数辨识的计算量，提高建模速度，将规则参数分为线性和非线性两部分，分别采用Levenberg Marquardt法与最小二乘法进行辨识．实例证明，本文所提出的建模方法规则分布合理，收敛速度快，泛化性能好，适合建立多输入的软测量模型，具有较好的实际应用价值．     

一种基于模糊聚类的模糊辨识方法

介绍一种基于模糊聚类的模糊辨识方法。首先利用含有聚类准则函数的模糊聚类方法来确定模糊规则数和模型前提参数,然后利用最小二乘法来辨识模型的结论参数,最后采用梯度下降法来调整模型的参数。该方法应用于Box-Jenkins数据仿真实例,仿真结果表明该方法简单有效。     

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．     

基于局部线性聚类算法的模糊建模

提出了一种新的基于T-S模糊模型的建模方法，首先通过一种局部线性聚类算法，自适应确定模糊规则数目及初始T-S模型的前提和结论参数，建立相应的一阶T-S模糊神经网络．并用梯度下降和递推最小二乘混合算法训练网络参数，从而提高建模精度．最后，通过两个仿真实例验证了本文方法的有效性．     

压气机特性的模糊辨识

由于压气机特殊的背景、工作条件和其特性的高度非线性,使得压气机特性对象在许多情况下很难用精确的数学模型来表达.通过熵聚类和竞争学习算法确定输入数据向量的分区情况,以最小二乘法辨识算法、模糊规则模型对输入参数进行计算和辨识.通过对某压气机特性对象进行辨识,验证了基于模糊规则的辨识方法对压气机的特性图进行拟合的可行性.辨识的模型有不但精度高而且得到了线性的数学模型,使压气机特性图的拟合方法得以简化,方法实用.     

基于T-S模糊模型的神经网络的系统辨识

基于T-S模糊模型,提出了利用神经网络实现非线性系统的辨识。首先,利用一种无监督的聚类算法分析输入输出数据生成初始的结构模型,确定系统的模糊空间和模糊规则数,构造神经网络辨识模型前提参数,使前提参数自适应变化,有较好的自学习能力和优化能力,采用最小二乘法取得结论参数。仿真结果验证了该方法是有效和可行的。     

Fuzzy Identification of Nonlinear Systems via Orthogonal Transform

This paper is concerned with the application of orthogonal transforms and fuzzy competitive learning to extract fuzzy rules from data. The least square algorithm with orthogonal transforms is proposed to supervise the progress of fuzzy competitive learning. First of all, competitive learning takes place in the product space of system inputs and outputs and each cluster corresponds to a fuzzy IF–THEN rule. The fuzzy relation matrix, confirmed by fuzzy competitive learning, is studied by the orthogonal least square algorithm. The validity of fuzzy rules is obtained by analyzing the effect of orthogonal vectors in the fuzzy model, and subsequently removing less important ones. The structure identification and parameter identification of the fuzzy model are simultaneously confirmed in the proposed algorithm. Using simulation results as an example, the fuzzy model of non‐linear systems can be built by using the proposed algorithm. Copyright © 2011 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

一类基于数据的解释性模糊建模方法的研究

An approach to identify interpretable fuzzy models from data is proposed. Interpretability, which is one of the most important features of fuzzy models, is analyzed first. The number of fuzzy rules is determined by fuzzy cluster validity indices. A modified fuzzy clustering algorithm,combined with the least square method, is used to identify the initial fuzzy model. An orthogonal least square algorithm and a method of merging similar fuzzy sets are then used to remove the redundancy of the fuzzy model and improve its interpretability. Next, in order to attain high accuracy, while preserving interpretability, a constrained Levenberg-Marquardt method is utilized to optimize the precision of the fuzzy model. Finally, the proposed approach is applied to a PH neutralization process, and the results show its validity.     

快速模糊正交最小二乘算法

在非线性正交最小二乘辨识方法中引入模糊基函数,得到可以统一利用语言信息和数据信息的模糊正交最小二乘方法,并且针对其计算量大,速度慢的缺点,推导出不用计算正交基的快速模糊正交最小二乘算法,并且在玻璃窑炉温度系统离线建模中进行了仿真实验,验证了算法的有效性。     

轧钢生产过程产品质量控制方法与应用研究

针对轧钢生产线控制难度大的问题,提出了一种有效的方法来建立轧钢生产过程模糊质量模型。通过对系统反应机理的分析,确定出模糊质量模型的规则总数和前件参数,利用最小二乘法求得模型的后件参数。仿真分析验证了建模方法的有效性,为产品设计和工艺设计提供了新的方便的途径。     

FUZZY PNN ALGORITHM AND ITSAPPLICATION TO NONLINEARPROCESSES

Abstract

In this paper, a fuzzy Polynomial Neural Network (PNN) algorithm is proposed to estimate the structure and parameters of fuzzy model, using the PNN based on Group Method of Data Handling (GMDH) algorithm. The new algorithm uses PNN algorithm and fuzzy reasoning in order to identify the premise structure and parameter of fuzzy implications rules, and the least square method in order to identify the optimal consequence parameters. Both time series data for the gas furnace and data for the NO_x emission process of gas turbine power plants are used for the purpose of evaluating the performance of the fuzzy PNN. The simulation results show that the proposed technique can produce the fuzzy model with higher accuracy and feasibility than other works achieved previously. This algorithm will be applied to limited data processes with several inputs.     

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。     

汽车智能防撞自适应控制研究与仿真

针对汽车防撞模糊控制模型不能自动调整参数的缺点,建立汽车防撞自适应模糊推理模型。采用混合学习算法对自适应模糊推理模型的前提参数和结论参数进行辨识,以加速收敛。经模拟训练和仿真输出结果证明,该模型能够对汽车防撞模糊控制器隶属函数和模糊规则进行优化,较好地实现紧急报警情况下的汽车防撞自适应控制。     

Fuzzy rule-based support vector regression system

In this paper,we design a fuzzy rule-based support vector regression system.The proposed system utilizes the advantages of fuzzy model and support vector regression to extract support vectors to generate fuzzy if-then rules from the training data set.Based on the first-order linear Tagaki-Sugeno (TS) model,the structure of rules is identified by the support vector regression and then the consequent parameters of rules are tuned by the global least squares method.Our model is applied to the real world regression task.The simulation results gives promising performances in terms of a set of fuzzy rules,which can be easily interpreted by humans.