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．     

一类基于数据的解释性模糊建模方法的研究

An approach to identify interpretable fuzzy models from data is proposed. Interpretability, which is one of the most important features of fuzzy models, is analyzed first. The number of fuzzy rules is determined by fuzzy cluster validity indices. A modified fuzzy clustering algorithm,combined with the least square method, is used to identify the initial fuzzy model. An orthogonal least square algorithm and a method of merging similar fuzzy sets are then used to remove the redundancy of the fuzzy model and improve its interpretability. Next, in order to attain high accuracy, while preserving interpretability, a constrained Levenberg-Marquardt method is utilized to optimize the precision of the fuzzy model. Finally, the proposed approach is applied to a PH neutralization process, and the results show its validity.     

基于正交最小二乘和UD分解的模糊建模方法

通过改进模糊聚类方法确定模糊模型的前件结构，并对模糊推理关系矩阵进行正交最小二乘估计。通过分析正交向量在模型中贡献的大小确定聚类规则的有效性，然后采用基于UD分解的最小二乘确定模糊模型的后件参数，实现模糊模型的结构和参数的优化。该方法已成功地应用于Box-Jenkins煤气炉的数据系统建模。     

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。     

一种模糊辨识方法及其在电站仿真器中的应用

利用模糊聚类和最小二乘估计方法提出一种糊辨识方法。该方法是基于模糊聚类,计算给定样本在各类中的隶属度,并利用递推最小二乘估计辨识模糊模型的后件参数。采用该方法对火力发电厂电站仿真器中的汽轮发电机密封油冷却系统进行建模研究,取得了满意的效果。     

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。     

汽车智能防撞自适应控制研究与仿真

针对汽车防撞模糊控制模型不能自动调整参数的缺点,建立汽车防撞自适应模糊推理模型。采用混合学习算法对自适应模糊推理模型的前提参数和结论参数进行辨识,以加速收敛。经模拟训练和仿真输出结果证明,该模型能够对汽车防撞模糊控制器隶属函数和模糊规则进行优化,较好地实现紧急报警情况下的汽车防撞自适应控制。     

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.     

快速模糊正交最小二乘算法

在非线性正交最小二乘辨识方法中引入模糊基函数,得到可以统一利用语言信息和数据信息的模糊正交最小二乘方法,并且针对其计算量大,速度慢的缺点,推导出不用计算正交基的快速模糊正交最小二乘算法,并且在玻璃窑炉温度系统离线建模中进行了仿真实验,验证了算法的有效性。     

基于模糊树模型的自适应直接逆控制

基于模糊树模型, 结合神经网络中的逆向学习和专门化学习, 提出了自适应直接逆控制方法. 首先离线辨识对象的逆模型作为初始的控制器, 然后与对象串联, 用最小均方差 (Least mean square, LMS) 算法在线调节控制器中的线性参数. 本方法辨识得到的逆模型控制器可以减少需要的模糊规则数目, 同时达到较好的跟踪控制效果. 仿真结果表明了方法的有效性.     

基于局部线性聚类算法的模糊建模

提出了一种新的基于T-S模糊模型的建模方法，首先通过一种局部线性聚类算法，自适应确定模糊规则数目及初始T-S模型的前提和结论参数，建立相应的一阶T-S模糊神经网络．并用梯度下降和递推最小二乘混合算法训练网络参数，从而提高建模精度．最后，通过两个仿真实例验证了本文方法的有效性．     

Supervised fuzzy clustering for rule extraction

This paper deals with the application of orthogonal transforms and fuzzy clustering to extract fuzzy rules from data. It is proposed to use the orthogonal least squares method to supervise the progress of the fuzzy clustering algorithm and remove clusters of less importance with respect to describing the data. Clustering takes place in the product space of systems inputs and outputs and each cluster corresponds to a fuzzy IF-THEN rule. By initializing the clustering with an overestimated number of clusters and subsequently remove less important ones as the clustering progresses, it is sought to obtain a suitable partition of the data in an automated manner. The approach is generally applicable to the fuzzy c-means and related algorithms. The adaptive distance norm fuzzy clustering is studied and applied to the identification of Takagi-Sugeno type rules. Both a synthetic example as well as a real-world modeling problem are considered to illustrate the working and the applicability of the algorithm     

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。     

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.     

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.     

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.