复杂系统的递阶模糊辨识

针对Takagi_Sugeno模糊模型 (T_S模型 )严重的维数灾问题, 借鉴GMDH算法, 提出了一种新的复杂系统递阶模糊辨识方法. 本文首先详细描述了由两输入变量的特殊T_S模型所组成的递阶模糊模型 ;然后提出了具体的辨识该递阶模糊模型的方法. 该方法的特点是 :a)在结构辨识阶段, 用FCM模糊聚类方法评价系统中每个输入变量的重要性, 以便构造合理的递阶模糊模型 ;b)预先合理地确定了所要辨识的参数的初始值, 用扩展卡尔曼滤波方法可很快地得到这些参数. 最后, 给出的仿真实例说明了本文辨识方法的有     

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。     

基于模糊似然函数的模糊辨识方法

提出一种基于模糊似然函数的模糊辨识方法。该方法利用模糊似然函数对样本数据进行聚类，并使模糊模型的结构辨识和参数辨识能同时完成，从而实现模糊模型的在线辨识。仿真结果证明了该方法的有效性。     

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]到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（FuzzyC－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。     

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.     

适应性模糊控制系统的研究

本文基于参考模糊集建模方法，给出了模糊模型在线辨识方法，并按模糊模型求取模糊控制规则，实现了模糊自适应控制。仿真研究结果表明该方法是有效的。     

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。     

一种简化的区间二型模糊系统辨识方法

KM降阶算法是目前区间二型模糊集合常用的降阶算法,针对其效率低、难以用于实时辨识与控制的缺点,提出了一种简化的区间二型模糊系统辨识方法。该方法采用二型T-S模糊模型,前件参数为区间二型模糊集合,后件参数为普通T-S模糊模型形式。二型T-S模糊模型的解模糊化采用简化的降阶算法,提高了模型的辨识效率,可用于实时辨识与控制。仿真实例表明,所提算法在不降低辨识精度的情况下能够有效提高辨识效率。     

一类非线性离散时间系统的模糊辨识

对一类非线性离散时间系统提出了模糊辨识方法,此方法用与未知参数向量成线性关系的模糊逻辑系统作为辨识模型,并通过自适应学习律对此模糊逻辑系统中的未知参数进行自适应调节,文中证明了此方法可使辨识误差收敛到原点的一个邻域内。仿真结果验证了此方法的有效性。     

基于模糊神经网络的非线性系统模型的辨识

该文提出一种非线性系统的模型辨识方法．利用关系聚类法来进行结构辨识，从而自动获得模糊规则库，并可以得到模糊系统的初始参数，在聚类的基础上，构造一个与之相匹配的模糊神经网络，用它的学习算法来训练网络，得到一个精确的模糊模型，从而实现参数辨识，通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

一种新的复杂系统模糊辨识方法

针对一阶Takagi-Sugeno模型辨识复杂系统的困难,提出一种新的模糊模型.这种模 型的结构在一阶Takagi-Sugeno模型的基础上,再进行一次非线性映射.文中运用卡尔曼滤 波算法的模糊神经元网络实现了这种模型.仿真结果表明该方法辨识精度高,且有良好的 实用性.