一种非线性模型的在线辨识方法

提出一种用于非线性模型在线辨识的模糊算法。该算法将非线性输入输出系统用时变线性系统模型来拟和。并把此非线性系统模型表示成模糊模型的形式，用在线调节模糊模型的方法来辨识时变线性模型的相关参数。在以往的模糊辨识方法中，均未给出在线调整非线性系统的模糊辨识算法。将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数，仿真算例表明了此算法的有效性与良好的实用价值。     

基于模糊竞争学习的非线性系统自适应模糊建模方法

提出了一种新的基于模糊竞争学习的自调整的模糊建模方法. 基于模糊竞争学习, 模糊系统能够进行自适应模糊推理. 在被调整模糊系统基础上, 提出了一种非线性系统在线估计参数的在线辨识算法. 为了证明提出算法的有效性, 最后给出了几个例子的仿真结果.     

基于模糊辨识方法的机械臂振动控制研究

为了抑制机器人等复杂结构的振动,提高复杂结构的振动控制精度,提出一种用于辨识机械臂连接结构的非线性模型在线辨识的模糊算法,并以此为基础研究了机械臂振动控制方法.该算法将非线性输入输出系统用时变线性系统模型来拟和,并把此模型表示成模糊模型的形式,用在线调节模糊模型的方法来辨识时变线性模型的相关参数.将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数,将此算法应用在两自由度柔性杆件的扭转振动的控制上,并设计相应的硬件控制系统,实验结果表明了此算法的有效性.将该算法应用于工程实践中,实际使用效果表明,此算法具有重要的工程应用价值.     

基于模糊模型的非线性离散时间系统辨识:算法与性能分析

讨论使用模糊系统方法辨识非线性离散时间系统时,模糊系统模型的构造、逼近性 质以及模型参数的自适应调整算法.研究了该辨识方案的有关性能,对模糊模型的参数误差 和辨识误差进行了分析,并给出了模糊模型参数的估计值收敛到其真实值所需的持续激励条 件.     

基于模糊分类的模糊神经网络辨识方法及应用

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)，给出了网络的连接结构和学习算法。基于竞争学习算法的模糊分类器确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。利用卡尔曼滤波算法在线辨识删的后件参数。AFNN结构简洁，逼近能力强，能够显著提高辨识精度，并且在线辨识的模糊模型简单有效。将该AFNN用于非线性系统的模糊辨识和化工过程连续搅拌反应器(CSTR)的建模中，仿真结果验证了该方法的有效性，表明该网络能够实现复杂非线性系统的建模，而且建模精度高、收敛速度快。可当作复杂系统建模的一种有效手段。     

非线性系统辨识中模糊模型参数收敛问题的进一步研究

对于使用标准的Mamdani 型模糊系统及正交投影参数调整算法进行非线性系统辨识，基于模糊模型参数的估计值收敛到其真实值所需的持续激励条件，给出了适用于非线性移动平均模型和二阶非线性自回归移动平均模型系统辨识的持续激励输入信号设计的几个算法.     

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.     

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.     

非线性系统第一类模糊辨识器的设计及仿真

该文针对非线性系统的辨识问题,给出了第一类模糊辨识器的设计方案,该方案通过引入最优逼近误差的自适应律参数项,实时地调整参数来实现对非线性系统的辨识.采用此方法可使辨识器模型的输出很快收敛到真实系统,且辨识误差渐进收敛到零.该文根据此算法编写了便于仿真实现的MATLAB程序,且给出了此程序的解算流程图.最后对Rossler混沌系统的实例进行仿真,绘制了系统真实曲线和辨识器模型输出的估计值曲线,仿真结果说明了该方法在非线性系统辨识中的使用性和可行性.     

模型在线辨识方法及其应用

本文提出了一种有效的非线性模型和参数在线估计方法。为了实现模型在线辨识，本文根据误差性能指标，给出了模型判据及计算式。根据递推加权最小二乘算法和优选判据，导出了模型和参数同时在线估计的有效算法。为了提高计算效率和数值稳定性，模型辨识和参数辨识均采用了Ｕ－Ｄ分解方法。新方法可用于飞行器非线性气动模型和参数的实时估计。实际应用结果表明，使用该方法可以有效地确定多项式、样条函数模型结构，参数辨识的结果满     

Sugeno模糊模型的辨识与控制

提出了一种新的Sugeno模糊模型辨识算法和对非线性系统进行并行化设计的方 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;对于非线性系统的控制,Sugeno模糊模型实际上是动态系统的局部线性 化,可采用并行设计的方法设计控制器,然后通过模糊推理得到全局控制量.最后通过倒立摆 系统的控制说明了本文算法的有效性.     

Identification of nonlinear systems by Takagi–Sugeno fuzzy logic grey box modeling for real-time control

Identification of nonlinear systems by fuzzy models has been successfully applied in many applications. Fuzzy models are capable of approximating any real continuous function to a chosen accuracy. An algorithm for real-time identification of nonlinear systems using Takagi–Sugeno's fuzzy models is presented in this paper. A Takagi–Sugeno fuzzy system is trained incrementally each time step and is used to predict one-step ahead system output. Ability of the proposed identifier to capture the nonlinear behavior of a synchronous machine is illustrated. Effectiveness of the proposed identification technique is demonstrated by simulation and experimental studies on a power system.     

基于模糊规则的非线性系统建模方法

提出了一种基于模糊聚类自调整的模糊建模方法,基于模糊聚类通过自适应模糊推理来调整模糊系统,一种在线辨识算法的是通过非线笥系统参数的在线性估计来进行的,为了证明了所提出方法的适用性,给出了几个实例的仿真结果。     

MIMO系统的多模型预测控制

针对非线性多变量系统提出一种多模型预测控制(MMPC)策略.首先给出一种多模型 辨识方法,利用模糊满意聚类算法将复杂非线性系统划分为若干子系统,并获得多个线性模型, 通过模型变换得出全局系统模型,接着对全局MIMO系统设计MMPC,并进行了系统的性能分 析,最后以pH中和过程为例,通过仿真研究验证了辨识和控制算法的有效性.     

基于ANFIS的非线性系统辨识研究

系统辨识是控制系统设计的基础，对非线性系统进行辨识是当前的难点；文献[1]提出了用模糊建模方法，文献[2]提出了用神经网络方法，在总结上述方法不足的基础上，该文提出了用自适应神经模糊推理系统(ANFIS)对非线性系统进行辨识的方法，仿真结果表明，ANFIS进行非线性系统辨识是可行的，其辨识精度很高。     

An adaptive recurrent fuzzy system for nonlinear identification

This paper describes the architecture and training procedure of a recurrent fuzzy system (RFS). The RFS is composed of a fuzzy inference system (FIS) and a delayed feedback connection. The recurrent property comes from feeding the FIS output back to the FIS input via an adjustable feedback parameter. Both the on-line and off-line training procedures based on the backpropagation-through-time (BPTT) algorithm have been investigated. The adjoint model of the RFS is obtained and used to compute the gradients. It is shown that the off-line training is insufficient to adapt to changes in system dynamics. So, an on-line training procedure is derived. In this procedure, a first in first out stack is used to store a certain history of the input–output data to perform a truncated BPTT algorithm. A quasi-Newton optimization method with a line search algorithm is used to adjust the RFS parameters. The performance of the developed RFS is demonstrated by applying to the identification of nonlinear dynamic systems. The simulation studies show that the proposed identification model has the ability to learn dynamics of highly nonlinear systems and compensate system uncertainties. The results are promising for the further application in the area of control and modeling.     

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。     

A calibration approach based on Takagi–Sugeno fuzzy inference system for digital electronic compasses

Recently, the development of industrial processes brought on the outbreak of technologically complex systems. This development generated the necessity of research relative to the mathematical techniques that have the capacity to deal with project complexities and validation. Fuzzy models have been receiving particular attention in the area of nonlinear systems identification and analysis due to it is capacity to approximate nonlinear behavior and deal with uncertainty. A fuzzy rule-based model suitable for the approximation of many systems and functions is the Takagi–Sugeno (TS) fuzzy model. TS fuzzy models are nonlinear systems described by a set of if then rules which gives local linear representations of an underlying system. Such models can approximate a wide class of nonlinear systems. In this paper a performance analysis of a system based on TS fuzzy inference system for the calibration of electronic compass devices is considered. The contribution of the evaluated TS fuzzy inference system is to reduce the error obtained in data acquisition from a digital electronic compass. For the reliable operation of the TS fuzzy inference system, adequate error measurements must be taken. The error noise must be filtered before the application of the TS fuzzy inference system. The proposed method demonstrated an effectiveness of 57% at reducing the total error based on considered tests.     

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。