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。     

基于软分类和卡尔曼滤波方法的模糊规则提取

提出了一种新的基于遗传模糊软分类和卡尔曼滤波方法的模糊辨识算法.该算法由3个步骤组成：（1）基于遗传算法确定模糊C均值（FCM）中的最佳分类数,从而确定模糊规则的前件和样本在各类中的隶属度;（2）采用最小二乘法（LS）来确定模糊规则后件的初始参数;（3）用卡尔曼滤波方法调整后件参数.最后,运用该算法对我国全要素生产力进行了模糊规则的提取.     

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.     

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.     

一种基于量子遗传算法的扩展T-S 模型辨识

在传统T-S模型的基础上,提出一种扩展T-S模型。该模型由一组模糊规则组成,由规则前件实现输入空间的划分,将成员函数及其函数变换引入规则后件以实现对输入子空间的非线性映射。对于该模型的建立,使用改进量子遗传算法优化规则前件,递推最小二乘法确定规则后件参数。通过对两个典型非线性系统辨识,仿真结果表明了该模型可以显著提高辨识精度,且具有很好的泛化性能。     

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。     

模糊竞争神经网络在线辨识及在CSTR中的应用

基于改进的T-S模糊模型构造了一种自适应模糊竞争神经网络模型(FCNN)，给出了网络的连接结构和学习算法。它依据模糊竞争学习算法确定系统的模糊空间和模糊规则数，得出每个样本对每条规则的适用程度，并利用卡尔曼滤波算法在线辨识FCNN的后件参数。将其应用于化工过程连续搅拌反应器(CSTR)的建模中，仿真结果表明，FCNN具有结构简洁、收敛速度快、辨识精度高等特点，可当作复杂系统建模的一种有效手段。     

基于神经网络的非线性气动弹性系统辨识

由于气动弹性系统的非线性和不确定性的存在,传统的辨识方法在工程中难以满足。针对这种情况提出了一种模糊小波神经网络(FWNN)辨识方法。首先,采用区间2型模糊逻辑系统和小波神经网络结合构建FWNN网络结构,能够较好地逼近具有不确定性的非线性AE系统;然后,考虑到辨识的快速性和准确性,系统采用一组模糊IF-THEN规则,对模糊后件采用单隐层小波神经网络结构;参数学习采用基于Lyapunov稳定性的滑模学习算法,保证系统存在参数不确定的情况下,辨识误差能更快地收敛。最后,对结构非线性二元翼段进行仿真研究,验证了该模型的有效性。     

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.     

非线性系统模糊辨识的新方法

提出一种新的基于T－S模型的模糊辨识方法,其特点是考虑了样本距离和“可线性化程度”两个因素,对模型的前后件参数同时辨识,提高了辨识精度,并提出规则“置信度”的概念,实现了辨识的结构自适应。将该辨识器用于一类非线性系统的模糊辨识,仿真结果验证了所提出方法的有效性。     

基于模糊ARMAX模型的模糊建模

提出了一种利用MGS(modified Gram-Schmidt)算法建立模糊ARMAX模型的方法, 给出了基于MGS算法的模型结构和参数辨识的一体化方法. 利用MGS正交变换对通过GK模糊聚类的聚类结果进行变换, 确定对模型贡献大的规则, 删除对模型贡献小的规则, 同时对模型中的参数进行估计. 本文提出的方法能够实现模糊模型的结构和参数的优化. 仿真结果表明, 本文提出的方法能够建立非线性系统的模糊ARMAX模型.     

基于模糊神经网络的飞机某系统故障诊断研究

提出一种基于模糊神经网络的飞机某系统故障诊断方法。利用改进的模糊C均-值聚类算法进行结构辨识,从而自动获得模糊规则库,并得到模糊模型的初始参数;然后生成与之相匹配的初始模糊神经网络,并通过学习算法训练网络来进行参数辨识,得到一个精确的模糊模型。将该系统地面实测数据作为样本数据,建立起了基于模糊神经网络的飞机某系统故障诊断模型。最后对该模型进行测试与分析,结果表明该方法具有抗噪、抗敏感、诊断准确度高等优点。     

采用改进PSO的非线性系统T-S模糊模型辩识

提出了一种新的T-S模糊模型的非线性系统辨识方法。采用自适应模糊C均值聚类算法确定模糊模型的前件结构及参数,用改进的粒子群优化(PSO)算法来辩识模糊模型的结论参数以获得系统参数的最优估计。仿真结果表明该方法是有效的。     

神经网络模糊规则抽取及其应用

从功能的观点出发,提出了一种基于粒子群优化算法的神经网络模糊规则抽取方法。该方法利用所要抽取模糊规则的表达形式,设计了规则的粒子三段表示方式,在粒子群算法优化过程中,采用两种更新方法,即离散化方法和连续化方法。该方法不依赖于具体的网络结构和训练算法,可以方便地应用于各种回归型神经网络。仿真实验表明,该方法可以抽取出保真度较高的符号规则。在实际应用中,采用模糊规则抽取算法,从丙烯腈反应器软测量模型中所得到的规则,提供了一种参数调节的指导性策略。     

一种线性化模糊内模自适应控制算法

针对非线性对象，提出一种线性化模糊内模自适应控制算法。该算法以一组模糊规则作为非线性对象内部模型，一条模糊规则表示一个局部线性系统；根据对象输入与输出测量值，利用TSK建模方法在线辨识局部模糊内部模型；同时依据辨识模型设计局部H2最优模糊控制规则，所有规则构成H2最优模糊控制器。仿真实验显示：该算法适用于非线性对象的控制，具有较好的鲁棒性和抗干扰能力。