模糊规则在线提取及其在非线性系统辨识中的应用

提出一种从输入-输出数据提取模糊规则的新方法基于K-Nearest-Neighbor概念对输入-输出数据对进行预处理;利用竞争学习对输入空间自适应聚类;提取高斯基;在线调整规则库和模糊推理.将该方法应用于非线性系统辨识,仿真结果表明了它的有效性     

基于T-S模型的非线性系统模糊聚类辨识方法

提出一种基于T-S模型的非线性系统模糊聚类辨识方法,对T-S模糊模型的前提部分和结论部分进行分开辨识,既简化该模型的辨识步骤,又提高它的泛化能力,同时也解决了T-S模糊模型随辨识系统复杂程度提高而规则数增大的问题。对一个非线性系统辨识的仿真结果验证了这种模糊聚类辨识方法的有效性。     

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）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．     

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。     

基于聚类学习算法的模糊系统辨识方法

在建立模糊辨识器的一般数学模型后，利用最近邻聚类算法对样本数据进行分组，然后再将每一组数据视为一个数据对对系统进行在线训练辨识，从而使模糊辨识器能较快的收敛于起初系统。     

基于模糊聚类的模型神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构,仿真研究证明该方法是有效的和可行的。     

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。     

规糊规则在线提取及其在非线性系统辨识中的应用

提出一种从输入－输出数据取模糊规则的新方法,基于K－Nearest-Neighbor概念对输入－输出数据对进行预处理;利用竞争学习对输入空间自适应聚类;提取高斯基;在线调整规则库和模糊推理,将该方法应用于非线性系统辨识,仿真结果表明了它的有效性。     

模型在线辨识方法及其应用

本文提出了一种有效的非线性模型和参数在线估计方法。为了实现模型在线辨识，本文根据误差性能指标，给出了模型判据及计算式。根据递推加权最小二乘算法和优选判据，导出了模型和参数同时在线估计的有效算法。为了提高计算效率和数值稳定性，模型辨识和参数辨识均采用了Ｕ－Ｄ分解方法。新方法可用于飞行器非线性气动模型和参数的实时估计。实际应用结果表明，使用该方法可以有效地确定多项式、样条函数模型结构，参数辨识的结果满     

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。     

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.     

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.     

基于神经网络非线性系统辨识和控制的研究

本文提出了由静态的前馈网络和稳定的滤波器构成的非线性系统的辨识模型，在神经网络固有的逼近误差存在的情况下，从理论上讨论了神经网络应用于辨识控制过程中系统的稳定性问题，最后研究了在非线性系统的轨迹跟踪过程中增加滑动控制来偿神经网络的逼近误差，从而提高系统跟踪性能。     

关于多变量非线性系统的自适应模糊控制

结合模糊逻辑系统、自适应控制和H∞控制,对一类非线性多变量未知系统提出了新的控制策略,给出了控制算法的稳定性分析.仿真结果证明了所提控制算法的有效性.     

基于模糊对向神经网络的非线性动态系统辨识器

模糊对向神经网络（ＦＣＰ）在功能上同模糊逻辑系统的ＴＳ模型是等价的,它具有神经网络和模糊逻辑系统各自的优点,因而适宜作辨识模型。     

A Fuzzy Modelling Approach Using Hierarchical Neural Networks

A simple and effective fuzzy modelling approach is presented in this paper. A three-layer hierarchical clustering neural network is developed to build fuzzy rule-based models from numerical data. Differing from existing clustering-based methods, in this approach the structure identification of the fuzzy model is implemented on the basis of a class of sub-clusters created by a self-organising network instead of on raw data. By combined use of unsupervised and supervised learning, both structure identification and parameter optimisation of the fuzzy model can be carried out automatically. The simulation results show that the proposed method can provide good model structure for fuzzy modelling and has high computing efficiency.     

用神经网络进行连续时间非线性系统建模的研究

在用神经网络进行系统建模时,建模误差的存在是难免的。为了减小这种误差,本文对连接时间非线性系统提出了一种新的神经网络辨识模型,它是由带有输入修正的神经网络和稳定滤波器组合而成。文中给出了权值的学习算法,即权值是根据辨识误差的投影算法来改变,证明了在一定条件下辨识误差的收敛性。     

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.