蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。     

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.     

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。     

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。     

基于模糊聚类的非线性系统模糊辨识算法

针对模糊聚类算法中数据和运算耗时很长,不适于在线建模与控制的问题,基于模糊聚类型隶属函数和EUM方法,提出了一种新的模糊辨识算法。该方法省去了求解聚类中心的迭代过程,计算时间显著减少。采用该方法对Box—Jenkins煤气炉数据和Mackey—Glass混沌时间序列进行了仿真,结果证明了该方法的有效性。     

采用改进PSO的非线性系统T-S模糊模型辩识

提出了一种新的T-S模糊模型的非线性系统辨识方法。采用自适应模糊C均值聚类算法确定模糊模型的前件结构及参数,用改进的粒子群优化(PSO)算法来辩识模糊模型的结论参数以获得系统参数的最优估计。仿真结果表明该方法是有效的。     

基于模糊聚类的模糊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。     

基于T-S模糊模型的神经网络的系统辨识

基于T-S模糊模型,提出了利用神经网络实现非线性系统的辨识。首先,利用一种无监督的聚类算法分析输入输出数据生成初始的结构模型,确定系统的模糊空间和模糊规则数,构造神经网络辨识模型前提参数,使前提参数自适应变化,有较好的自学习能力和优化能力,采用最小二乘法取得结论参数。仿真结果验证了该方法是有效和可行的。     

Controller design of uncertain nonlinear systems based on T-S fuzzy model

A robust control for uncertain nonlinear systems based on T-S fuzzy model is discussed in this paper. First, a T-S fuzzy system is adopted to model the uncertain nonlinear systems. Then, for the system with input variables adopting standard fuzzy partitions, the efficient maximal overlapped-rules group （EMORG） is presented, and a new sufficient condition to check the stability of T-S fuzzy system with uncertainty is derived, which is expressed in terms of Linear Matrix Inequalities. The derived stability condition, which only requires a local common positive definite matrix in each EMORG, can reduce the conservatism and difficulty in existing stability conditions. Finally, a simulation example shows the proposed approach is effective.     

基于核映射的高阶Takagi-Sugeno模糊模型

本文研究规则后件为非线性函数的高阶Takagi-Sugeno(TS)模糊系统.为求解规则后件的函数表达式,首先通过一个核映射将原输入空间映射到高维特征空间,使原空间的非线性子模型转化为高维特征空间的线性子模型,获得了规则后件的非线性函数的计算公式.然后,给出了用核模糊聚类和最小二乘支持向量机设计模糊系统的一种新算法.最后通过4个公开数据集上的仿真实验验证了所提算法的逼近能力、推广能力和鲁棒性能.     

基于T- S模型的非线性系统多模型直接自适应控制

针对典型的高阶非线性系统，建立被控对象的多个论域不同的基于T—S模型的模糊控制器(TSFC)，用其加权组合控制系统的行为，并报据Lyapunov的综合方法设计一种自适应算法来调整每个TSFC的权值，形成被控对象的直接自适应模糊控制器。与采用单一TSFC的自适应模糊控制算法相比，该算法计算量小，响应速度快，能在局部上更有效地控制系统的非线性，使被控系统具有Lyapunov意义上的稳定性。仿真实验证实了算法的有效性。     

基于参数辨识和T-S模糊模型的一类非线性系统镇定控制器设计

针对一类非线性不确定控制系统,首先采用参数辨识的方法构造出对应的Takagi-Sugeno（T-S）模糊模型;然后运用平行分布补偿（PDC）控制器设计方法进行系统的稳定控制器设计;最终达到镇定原非线性系统的目的.给出一种从T-S模糊模型参数辨识到PDC控制器设计的非线性控制器的设计方法.针对单级倒立摆系统的仿真结果验证了所提出方法的有效性.     

基于模糊逼近的一类不确定非线性系统的容错控制

针对一类不确定非线性系统,提出了一种模糊容错控制方案.采用模糊T-S模型来逼近非线性系统,由线性矩阵不等式设计模糊模型的控制律.构建了模糊逻辑系统作为补偿器来抵消对非线性系统的建模误差和因故障引起的不确定性,并证明了闭环系统能够满足期望的跟踪性能.仿真实例表明了所提出容错控制方案的有效性.     

A new identification method for fuzzy linear models of nonlinear dynamic systems

The most promising methods for identifying a fuzzy model are data clustering, cluster merging and subsequent projection of the clusters on the input variable space. This article proposes to modify this procedure by adding a cluster rotation step, and a method for the direct calculation of the consequence parameters of the fuzzy linear model. These two additional steps make the model identification procedure more accurate and limits the loss of information during the identification procedure. The proposed method has been tested on a nonlinear first order model and a nonlinear model of a bioreactor and results are very promising.     

一种新的非线性离散时间系统的模糊辨识方法

对一类非线性离散时间系统提出一种新的模糊的辨识方法。该方法在假设逼近误差界已知的情况下,基于死区函数对模糊逻辑系统中的未知参数设计自适应学习律;在逼近误差界未知的情况下,基于时变死区函数对模糊逻辑系统中的未知参数设计自适应学习律,并对时变死区进行自适应调节。证明了所设计的自适应学习律均可使辨识误差收敛到原点的一个小邻域内。仿真结果表明了该算法的有效性。     

基于递阶分解聚类的非线性系统递推模糊辨识

提出一种基于递阶分解聚类的递推模糊辨识方法．采用半模糊化方法对论域内的样本进行归类,根据各子集“线性化”程度评判模糊聚类的有效性,通过对性能最差的子集进行分解并辨识新增子模型的参数,逐步完成整个样本空间的模糊划分和模型辨识过程．在线辨识时采用递推最小二乘算法对模糊规则进行修正,同时可根据建模精度的要求删除性能最差的规则,并确立新模糊规则．仿真研究表明了该方法的有效性．