模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,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。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。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。     

基于T-S模糊模型的隶属度函数学习算法

模糊规则的提取和模糊隶属度函数的学习是模糊系统设计中重要而困难的问题。文中探讨了Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模糊模型的隶属度函数学习问题,建立了基于模拟退火的模糊隶属度函数学习算法,给出了用于验证该算法有效性的仿真实例。     

一类基于模糊辨识器的非线性动态系统辨识

针对模糊辨识器的参数优化,提出了将改进的遗传算法(MGA)应用于模糊辨识器的离线学习,并在此基础上采用BP算法对其参数在线调整,实现了非线性动态系统模糊辨识。解决了输入仅为一维语言变量时,模糊辨识器的实现问题。仿真结果证实了该方法的有效性。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

非线性系统的模糊神经网络辨识方法

根据一种模糊动力学模型,提出一种非线性系统的模糊神经网络辨识方法。这种模型具有与线性系统ＤＡＲＭＡ模型类似的结构,证明了辨识算法的收敛性。最后结合实例进行了仿真。     

基于神经网络的模糊系统的模型辨识及应用

本文将人工神经网络理论和模糊系统理论结合起来，提出了一类基于人工神经网络的模糊模型辨识方法。该方法能辨识非线性的、复杂系统的模糊模型。仿真表明本文给出的有关模型及算法，能有效地用于多种难以建立精确数学模型的控制系统。     

模糊函数模型辨识的引导点方法

将用于辨识的数据看作是多维空间中的若干点,并通过确定引导点的方法将上述空间中的点用模糊分段直线加以拟合,从而构成了具有线性回归形式的模糊函数模型.利用这种简便算法辨识 Box-Jenkins 的煤气炉数据,得到的结果比现有的模糊关系模型辨识的结果好得多.此外,对一条飞行航迹的辨识结果也非常令人满意.     

基于模糊对向网络的非线性动态系统辨识新算法

以模糊对向网络为辨识模型,利用它所具有的模糊逻辑系统和神经网络两者的优点,在模糊C－均值聚类方法的基础上引入新的聚类目标函数,并证明了它的优化条件,将模糊聚类和最小二乘法相结合,提出一种模型参数学习的新算法,在直流电弧燃弧时间建模研究中的应用结果表明提出的算法是有效的。     

利用神经网络辨识系统模糊关系模型

利用模糊标准模型库和可能性测度的概念讨论了BP神经网络接受模糊信息的一般方法,并用这种方法实现了系统模糊关系模型的辨识和调整。通过对一个加热过程的实际试验表明,该方法可以有效地将定量的和定性的知识存储在神经网络中,并且以模糊关系方程的形式适当表达出来。     

基于遗传BP算法的高斯基函数网络的非线性系统辨识

针对ＢＰ算法收敛速度慢而且可能陷入局部极小值的特点,提出了基于遗传ＢＰ算法的高斯基函数网络的辨识方法,并将它应用于非线性系统进行辨识,仿真实验结果表明该方法比基于传统的ＢＰ算法具有更快的收敛速度和精度。     

Fuzzy optimization neural network model based on LM algorithm

A new fuzzy optimization neural network model is proposed based on the Levenberg-Marquardt (LM) algorithm on account of the disadvantages of slow convergence of traditional fuzzy optimization neural network model. In this new model,the gradient descent algorithm is replaced by the LM algorithm to obtain the minimum of output errors during network training,which changes the weights adjusting equations of the network and increases the training speed. Moreover,to avoid the results yielding to local minimum,the transfer function is also revised to sigmoid function. A case study is utilized to validate this new model,and the results reveal that the new model fast training speed and better forecasting capability.     

基于T-S模型的非线性系统控制方法

采用T-S模糊模型逼近非线性系统,将非线性系统描述为多个局部线性系统的组合,采用极点配置的方法对每一局部线性系统进行设计,保证了局部线性系统的性能指标。利用线性矩阵不等式方法,将闭环控制系统的稳定条件、控制性能指标统一到线性矩阵不等式的框架内,通过求解线性矩阵不等式族获得控制器参数。以倒立摆系统为例,对提出的设计方法进行了验证,仿真结果表明设计方法是有效的。     

竞争学习的非均匀采样非线性系统的模糊辨识

在实际非线性系统中,由于资源的限制,使得输入信号快速刷新,输出信号慢速采样.利用获得的非均匀采样数据对原非线性系统辨识存在一定困难.为此,通过提升技术,把非线性系统的多个特征点局部的线性模型转化为模糊模型的后件线性模型.在此基础上,提出基于竞争学习和递推梯度下降方法的辨识算法.通过定理证明:输入信号在持续激励条件下,模糊模型的参数能够一致性收敛;针对化工p H中和过程非线性系统,采用非均匀采样数据,建立其模糊模型,通过实际数据与模糊模型输出数据误差对比,表明了实际系统在非均匀采样条件下,模糊辨识能够建立其过程模型,验证了提出方法的有效性.     

基于改进T-S模型的热工系统在线辨识算法

提出用一种改进的T-S模型实现非线性系统在线辨识的算法。通过样本与聚类中心矢量之间的贴近度来修正聚类中心,并根据样本到中心矢量的距离对输入数据空间进行划分。在此基础上利用递推最小二乘算法辨识出模型的结论参数。给出了具体的算法步骤,将该方法与其他模糊辨识方法进行比较。结果表明,该方法具有简单、实用、辨识精度高等优点。     

基于改进T-S模型的热工过程模糊辨识算法

提出了一种实用的基于T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间进行划分,在此基础上利用递推最小二乘辨识算法建立一个热工过程的T-S模型。文中给出了熟知的Box-Jenkins数据的辨识结果,并将该方法应用于辨识单元机组的协调控制系统。     

利用NARMA模型辨识非线性时变结构系统

为了有效地进行非线性时变结构系统的辨识,提出了一种基于Kalman滤波算法的利用时变非线性自回归滑动平均模型的用于非线性时变结构系统辨识的新方法.首先,利用线性变换将非线性时不变结构系统的动力学模型转化为非线性自回归滑动平均模型,然后,将非线性项展开为系统输出数据的多项式的形式.利用短时时不变假设,通过改变模型参数跟踪系统参数的变化,将非线性时变系统的辨识问题转化为线性时变系统的辨识问题.建立系统参数的随机游动模型,引入Kalman滤波算法估计系统的参数,实现对非线性时变结构系统的辨识.最后对一个具有非线性时变刚度的三自由度结构系统进行了仿真,结果表明:该方法可以有效地跟踪非线性时变结构系统的参数变化.遗忘因子的对比试验表明只有选择合适的遗忘因子才能得到合理的结果.     

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。     

基于自适应遗传算法的DFB激光器模糊PID温控系统

针对传统的PID控制算法很难准确控制DFB激光器温度的问题,提出并设计了一种基于模糊PID控制和自适应遗传算法的新型DFB温度控制系统.该控制系统由硬件和软件两部分构成,在硬件设备上以单片机作为控制系统的处理器,以铂电阻和热电冷却器分别作为控制系统的敏感器和执行器;在控制算法上利用自适应遗传算法来优化模糊PID的自整定规则.结果表明,该系统能够实现DFB激光器在5~65℃温度范围内的有效控制,控制误差和超调量分别低于0.002 3℃和10%,具有较好的应用前景.