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。     

基于拟非线性模糊模型的复杂系统模糊辨识

针对一阶Takagi-Sugeno（以下简称T-S）模型辨识复杂系统的困难，本文提出了一种新的拟非线性模糊模型。即在一阶T-S模型的基础上，再进行一次非线性映射。这种模糊模型不仅具有较高的辨识精度，而且具有良好的泛化功能。运用改进的FCM（Fuzzy-C-Means）模糊聚类方法，辨识该模糊模型的结构，与以往的方法比较，极大地简化了结构辨识的复杂性。仿真结果进一步说明了该方法的有效性。     

基于在线聚类的模糊建模方法及其应用

针对复杂非线性动态系统的模糊建模问题,提出了一种基于在线聚类的模糊建模方法。该方法首先采用在线聚类算法辨识T-S模型的前提参数,然后采用递推最小二乘算法辨识结论参数。根据系统过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新。最后将提出的方法应用于Box-Jenkin煤气炉建模和二自由度机器人建模两个例子。仿真结果表明,基于该方法辨识的T-S模糊模型具有很高的精度,而且模型结构简单、建模速度快,便于工程应用。     

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。     

一种基于遗传算法的模糊内模控制方法

针对一类非线性过程,提出了基于T-S模糊模型的非线性内模控制方法.使用遗传算法和模糊聚类方法进行模糊建模,解决了非线性内模控制方法中建立精确的模型及其逆模型困难的问题.通过模糊辨识获得过程的T-S模型及逆模型,并以此设计了内模控制器.最后,将该方法应用于一类非线性过程的控制,仿真结果表明该方法的有效性.     

基于自组织神经网络的非线性系统建模

针对基于T-S模糊模型的非线性系统建模问题,提出了一种基于自组织神经网络的新方法.在T-S模糊模型的建模中,目前常用的模糊C均值聚类算法存在迭代次数多,计算耗时的缺点.首先,利用竞争学习算法对输入空间进行聚类,基于此结果,借助于模糊C均值聚类算法进一步优化聚类结果,提取T-S模糊模型的规则前件隶属函数参数.然后,采用最小二乘法求得T-S模糊模型的规则后件参数,从而建立起非线性系统的T-S模糊模型.最后,仿真结果表明,该方法可以为模糊建模提供好的模型结构,并且有较高的计算效率和精度.     

多变量非线性系统的模糊内模控制

大多数的先进控制器是基于线性模型的,它们对化学工业中常见的非线性过程的控制效果并不能达到最优.因此,考虑使用非线性模型,以使控制性能获得改善.用基于T-S模型的自适应模糊聚类辨识算法对系统进行辨识.T-S模型是用线性的方程来描述非线性系统,从而利于求出模型的逆.而模型逆又是IMC的关键一步,因此选用这种基于T-S模糊模型的控制器(FIMC)来实现对非线性多变量系统的控制.对2输入2输出的非线性系统进行仿真,结果表明FIMC在多变量系统中可以实现好的控制.     

软腔体柔性机械臂的T-S模糊建模方法的研究

提出一种利用T-S模糊模型的柔性机械臂建模方法;柔性机械臂是一个高度复杂、高度非线性、高度耦合的非线性时变系统,而模糊模型本质上是一种非线性模型,可以任意精度逼近任何非线性系统;利用减法聚类算法离线辨识了T-S模型的前件参数,同时利用最小二乘法求得了T-S模型的后件参数;最后将模型的仿真结果和实验结果进行了对比分析,验证了模型的准确性;由此表明,柔性机械臂T-S模糊建模方法是有效的,它具有模糊模型的特点,可以任意精度逼近任何非线性系统,为柔性机械臂的模糊建模和下一步研究提供了理论指导及重要的前提条件.     

基于改进PSO和FCM的模糊辨识

为了提高T-S模糊模型的辨识精度和效率,本文提出了一种改进的粒子群算法和模糊C均值聚类算法相结合的模糊辨识新方法。在该方法中,针对粒子群算法在处理高维复杂函数时容易陷入局部极值的问题,提出了一种粒子群局部搜索和全局搜索动态调整的全新优化算法。模糊C均值聚类算法是模糊辨识最常用的方法之一,该算法简单,计算效率高,但是对初始化特别敏感,容易陷入局部最优。为了解决这一问题,利用改进粒子群算法的全局搜索能力优化聚类中心,显著地提高了算法的辨识精度和效率。最后,针对非线性系统进行建模仿真,仿真结果表明了本文方法的有效性和优越性。     

Chattering-free fuzzy variable structure control for multivariable nonlinear systems

In this paper, a fuzzy logic controller (FLC) based variable structure control (VSC) with guaranteed stability for multivariable systems is presented. It is aimed at obtaining an improved performance of nonlinear multivariable systems. The main contribution of this work is firstly developing a generic matrix formulation of the FLC-VSC algorithm for nonlinear multivariable systems, with a special attention to non-zero final state. Secondly, ensuring the global stability of the controlled system. The multivariable nonlinear system is represented by T-S fuzzy model. The identification of the T-S model parameters has been improved using the well known weighting parameters approach to optimize local and global approximation and modeling capability of T-S fuzzy model. The main problem encountered is that T-S identification method cannot be applied when the membership functions (MFs) are overlapped by pairs. This in turn restricts the application of the T-S method because this type of membership function has been widely used in control applications. In order to overcome the chattering problem a switching function is added as an additional fuzzy variable and will be introduced in the premise part of the fuzzy rules together with the state variables. A two-link robot system and a mixing thermal system are chosen to evaluate the robustness, effectiveness, accuracy and remarkable performance of proposed FLC-VSC method.     

基于参数辨识和T-S模糊模型的一类非线性系统镇定控制器设计

针对一类非线性不确定控制系统,首先采用参数辨识的方法构造出对应的Takagi-Sugeno（T-S）模糊模型;然后运用平行分布补偿（PDC）控制器设计方法进行系统的稳定控制器设计;最终达到镇定原非线性系统的目的.给出一种从T-S模糊模型参数辨识到PDC控制器设计的非线性控制器的设计方法.针对单级倒立摆系统的仿真结果验证了所提出方法的有效性.     

规则可生长与修剪的非线性系统T-S模糊模型辨识

通常离线提取 T-S 模糊模型的规则后, 规则数无法在模型使用中进行调整, 而这成为表达非线性系统复杂性的一个瓶颈. 针对这一问题, 本文引入一种神经网络的生长和修剪方法, 从实时数据中提取 T-S 模型的规则, 并定义其对应局部模型对输出的影响, 以此作为在线调整规则数的依据, 从而更准确地表达了非线性系统的复杂性和运行中的变化. 再加上基于竞争性 EKF(Extended Kalman filter) 的模型参数在线学习, T-S 模型的建模精度也得到了保证. 整个算法完全实现了 T-S 模糊模型的在线辨识, 使模型的结构和参数具有很好的自适应能力. 对 CSTR(Continuously stirred tank reactor) 系统的辨识, 表明了该算法在处理非线性系统辨识问题上的优越性能.     

基于模糊T-S模型的批过程建模与最优控制

基于模糊T-S模型,提出一种具有自学习能力的模糊方法用于批过程建模和最优控制.通过引入与均方误差相关的动态误差传递因子,使用改进的梯度下降法,本方法能够辨识模糊T-S预测模型.对于批过程的受限非线性最优控制,基于所辨识的预测模型,运用庞特里亚金最小值原理和平行分布补偿算法,本方法能够把一个复杂非线性系统最优控制设计问题转化为一些基于复杂T-S预测模型的局部线性系统的最优问题,从而给出一种有效和简单的模糊最优控制策略.所提方法用于一个半连续式反应器的建模和最优控制,仿真结果表明新方法是有效和准确的.     

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。     

一类非线性T-S模糊系统的通用逼近性

作为模糊系统理论研究和实际应用的基础，对线性T-S模糊系统通用逼近性的研究已经取得了很大的进展，但对非线性T-S模糊系统的研究却很少。本文将对一类非线性T-S模糊系统的非线性逼近能力进行研究，证明这种模糊系统在输入模糊子集为高斯型隶属函数的情况下，具有通用逼近性。     

T-S模糊模型在跳汰机排料系统中的应用

针对常规的PID控制难以解决实际工业系统的时滞性、非线性等问题,文章提出了一种基于T-S模糊模型的跳汰机排料系统的设计方案,介绍了跳汰机自动排料控制系统的组成,分析了T-S模糊模型辨识原理,详细阐述了基于T-S模糊模型的跳汰机排料系统的建模及仿真。实验结果表明,T-S模糊模型能够比较精确地反映出被控系统中输入与输出之间的关系,也证明了T-S模糊模型可用于非线性控制系统的建模仿真,是现代控制理论与非线性控制系统之间进行沟通的有力工具。