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。     

模糊规则的学习及其在非线性系统建模中的应用

探讨用神经网络的学习算法及模糊推理方法为非线性系统建模的问题.给出了学 习模糊规则的新算法.这个算法首先用竞争学习为训练样本的输入空间进行聚类,然后为其 确定区域划分边界,并按样本输入区域学习模糊规则.文中对于模糊规则提出了相应的模糊 推理算法.并用算例验证了本文算法的有效性.     

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.     

基于模糊树模型的自适应模糊滑模控制方法

本文针对单输入–单输出仿射非线性系统提出了一种基于模糊树模型的具有监督控制器的模糊滑模控制方法. 该方法用模糊树模型逼近非线性系统中的未知非线性函数, 得到初始的控制器, 然后在线调节模糊树模型中的线性参数, 改善控制器的性能, 实现对有界参考输入信号的跟踪控制. 模糊树辨识方法自适应划分输入空间, 大大减少模糊规则的数目, 在一定程度上可以缓解困扰模糊控制中的”规则爆炸”问题. 该方法通过监督控制器保证闭环系统所有信号有界. 通过理论分析, 证明了跟踪误差收敛到零. 用倒立摆进行仿真验证, 结果表明该方法用较少的模糊规则, 就能得到满意的控制效果, 有推广应用价值.     

采样点个数对T-S模糊建模精度的影响

在模糊建模中所取的采样点个数会对辨识出的模型精度产生影响,在只给出有限个数据采样点且数据分布不能人为控制的情况下怎样选取最优的采样点个数是模糊辨识中要解决的问题之一.通过采样点个数变化的模糊辨识算法来研究模糊建模中采样点个数对模型描述性能的影响.基于T S模糊模型,采用对称三角形模糊划分和“网格对角线法”提取模糊规则,通过对DISO系统和Mackey Glass 无序时间序列进行建模,给出模糊模型训练性能指标和检验性能指标随采样点个数增加的变化趋势曲线.     

一般齐次T-S模糊系统的逼近性能

为剖析一般齐次T-S模糊系统的逼近性能,通过广泛总结常用模糊集的特点,明确定义了一种具有普遍意义的输入空间的一般模糊划分(GFP).基于输入采用GFP的一般齐次T-S模糊系统的解析结构,证明了该类一般齐次T-S模糊系统能够以任意精度逼近任意非线性函数,并得到了一个其作为通用逼近器的充分条件.作为GFP的一种退化,进一步研究了输入采用线性模糊划分(LFP)的一般齐次T-S模糊系统的一阶逼近性能.仿真实例验证了所得理论结果的有效性,并考察了充分条件的保守性.这为基于齐次T S模糊模型的复杂系统建模与控制提供了理论指导.     

基于混合聚类算法的模糊函数系统辨识方法

针对传统模糊系统存在的结构难以确定和参数辨识复杂的问题,提出了一种基于混合聚类算法的模糊函数系统辨识算法.与一般的模糊函数系统相比,混合聚类算法结合模糊C均值和模糊C回归模型聚类算法的样本距离.在模型预测部分,采用高斯函数计算每个输入变量的隶属度,利用输入变量隶属度的模糊化算子得到输入向量的隶属度.应用于Box-Jenkins煤气炉数据、一个双入单出的非线性系统和Mackey-Glass混沌时间序列数据的试验结果表明,本文算法具有很好的辨识效果,从而验证了本文算法的有效性与实用性.     

关于焦炉火道温度模型辨识的仿真研究

建立对象的模型是控制系统设计的基础,非线性系统的建模是复杂系统建模的难点之一,焦炉火道温度复杂多变,其精准模型的建立事关重要。首先对焦炉加热生产过程采用基于减法聚类和C－均值聚类相结合的模糊T－S辨识算法来简化前提结构辨识,从而实现焦炉对象的模糊辨识。然后通过模糊神经网络结构来优化模型参数从而得到焦炉对象的局部模型,最后通过计算各局部模型的隶属度来得到焦炉对象的全局模型。仿真结果表明T－S模糊模型能自适应生成模糊规则,解决传统模糊系统不能自动将人类专家的知识经验转化为推理规则库的问题,为非线性系统建模奠定了基础。     

基于遗传算法的模糊树建模方法

1　引言近年来模糊逻辑理论在非线性系统辨识领域中得到了广泛的应用 .模糊逻辑建模方法的主要内容可分为两个层次 ,一是模型结构的辨识 ,另一则是模型参数的估计 .模糊模型的结构辨识问题是指如何划分输入空间 .模糊树模型 (FT模型 )是一种利用二叉树结构描述输入空间模糊划分     

基于T-S模糊系统的软测量混合建模研究

在分析几种模糊系统建模方法的基础上，提出一种简单有效的软测量建模方法．该算法基于变结构构造法模糊建模思想，均匀设计模型的初始结构，以绝对误差为建模指标，通过增加模糊规则来提高T S模糊系统的精度．为降低规则参数辨识的计算量，提高建模速度，将规则参数分为线性和非线性两部分，分别采用Levenberg Marquardt法与最小二乘法进行辨识．实例证明，本文所提出的建模方法规则分布合理，收敛速度快，泛化性能好，适合建立多输入的软测量模型，具有较好的实际应用价值．