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Pareto烟花算法的模糊分类系统设计

为提高模糊模型的精确性,利用烟花算法并结合Pareto最优解集的概念,提出一种模糊建模方法。采用模糊聚类方式构建初始模糊模型,使用烟花算法对模型的结构和参数进行优化学习。在每次迭代运算过程中,通过快速非支配排序算法和Pareto最优解集的概念对子代进行评估和选择。对Wine数据样本集进行仿真实验,结果表明,该方法能够在保证较高分类精度的前提下,建立结构简单、易于理解的模糊分类系统。     

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．     

基于支持向量机回归的T-S模糊模型自组织算法及应用

结合模糊聚类算法和支持向量机回归算法提出了一种新的T-S模糊模型自组织算法. 该算法首先利用一种改进模糊聚类算法提取模糊规则和辨识前件参数,然后将T-S模糊模型后件变换为标准线性支持向量机回归模型,并利用支持向量机回归算法辨识后件参数. 仿真结果表明,相比现有的自组织算法,本文提出的T-S模糊模型自组织算法在规则数较少的情况下,仍然具有较高的辨识精度和较好的泛化能力. 最后,利用提出的T-S模糊模型自组织算法较好地建立了直拉硅单晶炉加热器和空气预热器的温度模型.     

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。     

基于聚类和遗传算法的解释性模糊模型设计

提出了一种基于模糊聚类和遗传算法构建解释性模糊模型的设计方法。定义了模糊模型的精确性指标，给出了模糊模型解释性的必要条件。然后利用模糊聚类算法和最小二乘法辨识初始的模糊模型；采用多目标遗传算法优化模糊模型；为提高模型的解释性，在遗传算法中利用基于相似性的模糊集合和模糊规则的简化方法对模型进行约简。采用该方法对Mackey-Glass系统进行建模，仿真结果验证了该方法的有效性。     

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.     

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.     

神经模糊系统中模糊规则的优选

提出一种基于两级聚类算法的自组织神经模糊系统，该系统采用两级聚类算法（改进的最近邻域聚类算法和Gustafson-Kessel模糊聚类算法）对输入／输出数据进行模糊聚类，并由模糊聚类的划分熵确定最优划分，建立模糊模型，模型精度可由梯度下降法进一步提高。仿真结果表明，这种神经模糊系统具有结构简单、规则数少、学习速度快以及建模精度高等特点。     

机械手运动轨迹最优化模糊控制系统框架

提出了新颖的最优模糊聚类神经网络模型对机械手运动轨迹进行控制。该模型与已有的神经网络模型不同之处在于数据首先利用聚类算法对原始数据进行提取优化,然后又进一步优化控制规则以及隶属函数的参数,最终达到模糊聚类神经网络模型的最优化。该模型不但可以缩短规则生成的时间,有效地防止了规则数爆炸,而且在机械手运动控制的应用中效果良好。     

一种基于模糊分类的模糊神经网络辨识方法

针对非线性辨识问题,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)。首先,基于模糊竞争学习算法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。其次,利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁,逼近能力强,能够显著提高辨识精度,并且辨识的模糊模型简单有效。最后,将该AFNN用于非线性系统的模糊辨识,仿真结果验证了该方法的有效性。     

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     

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。     

基于正交最小二乘估计的非线性系统模糊辨识

提出了一种基于正交最小二乘的模糊模型结构和参数辨识方法．首先，基于正交最小二乘方法分析模糊模型的模糊关系矩阵．通过分析正交向量在模型中贡献的大小，确定模糊模型的结构，即确定模糊模型的规则数、规则．另外，再次通过正交最小二乘方法确定模糊模型的结论参数，实现模糊模型结构和参数的优化．为了证明该方法的有效性，采用该文方法对Box-Jenkins煤气炉数据系统进行建模研究，仿真结果表明该文方法能够对非线性系统进行辨识．     

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.     

Neuro-fuzzy system modeling based on automatic fuzzy clustering

A neuro-fuzzy system model based on automatic fuzzy dustering is proposed. A hybrid model identification algorithm is also developed to decide the model structure and model parameters. The algorithm mainly includes three parts：1） Automatic fuzzy C-means （AFCM）, which is applied to generate fuzzy rttles automatically, and then fix on the size of the neuro-fuzzy network, by which the complexity of system design is reducesd greatly at the price of the fitting capability; 2） R.ecursive least square estimation （RLSE）. It is used to update the parameters of Takagi-Sugeno model, which is employed to describe the behavior of the system;3） Gradient descent algorithm is also proposed for the fuzzy values according to the back propagation algorithm of neural network. Finally,modeling the dynamical equation of the two-link manipulator with the proposed approach is illustrated to validate the feasibility of the method.     

Neuro-f uzzy system modeling based on automatic f uzzy clustering

A neuro-fuzzy system model based on automatic fuzzy clustering is proposed. A hybrid model identification algorithm is also developed to decide the model structure and model parameters. The algorithm mainly includes three parts :1) Automatic fuzzy C-means (AFCM) , which is applied to generate fuzzy rules automatically , and then fix on the size of the neuro-fuzzy network , by which the complexity of system design is reducesd greatly at the price of the fitting capability; 2)Recursive least square estimation ( RLSE) . It is used to update the parameters of Takagi-Sugeno model , which is employed to describe the behavior of the system;3) Gradient descent algorithm is also proposed for the fuzzy values according to the back propagation algorithm of neural network. Finally ,modeling the dynamical equation of the two- link manipulator with the proposed approach is illustrated to validate the feasibility of the method.