一类非线性系统的广义模糊双曲正切模型自适应控制器设计

针对一类非线性系统的稳定控制器设计问题, 根据广义模糊双曲正切模型的万能逼近性质, 提出一种带有可调参数的广义模糊双曲正切模型的自适应控制器设计方法. 该设计方法的优点是使得自适应律的个数不依赖于广义模糊双曲正切模型的线性基函数的输出形式, 可以有效减少在线估计的参数数目, 并且能够保证被控系统的状态一致终极有界. 最后通过数值算例表明了所提出的设计方法的有效性.

     

基于支持向量机回归的T-S模糊模型自组织算法及应用

结合模糊聚类算法和支持向量机回归算法提出了一种新的T-S模糊模型自组织算法. 该算法首先利用一种改进模糊聚类算法提取模糊规则和辨识前件参数,然后将T-S模糊模型后件变换为标准线性支持向量机回归模型,并利用支持向量机回归算法辨识后件参数. 仿真结果表明,相比现有的自组织算法,本文提出的T-S模糊模型自组织算法在规则数较少的情况下,仍然具有较高的辨识精度和较好的泛化能力. 最后,利用提出的T-S模糊模型自组织算法较好地建立了直拉硅单晶炉加热器和空气预热器的温度模型.     

基于广义双曲正切模型的机器人鲁棒模糊自适应控制

利用广义模糊双曲正切模型的全局逼近特点,设计一种模糊自适应控制器用于机器人轨迹跟踪控制.广义双曲正切模型利用输入变量的平移能以任意精度逼近系统的不确定动态.对于系统不确定外界干扰和模糊系统的逼近误差,通过求解一个线性矩阵不等式来保证闭环系统的鲁棒稳定性.对比传统的模糊基函数,在保证系统跟踪精度的前提下,双曲正切模糊基函数的自适应调整参数大大减少,仿真表明该控制算法具有较强的鲁棒性能和较好的跟踪性能.     

一种简化的区间二型模糊系统辨识方法

KM降阶算法是目前区间二型模糊集合常用的降阶算法,针对其效率低、难以用于实时辨识与控制的缺点,提出了一种简化的区间二型模糊系统辨识方法。该方法采用二型T-S模糊模型,前件参数为区间二型模糊集合,后件参数为普通T-S模糊模型形式。二型T-S模糊模型的解模糊化采用简化的降阶算法,提高了模型的辨识效率,可用于实时辨识与控制。仿真实例表明,所提算法在不降低辨识精度的情况下能够有效提高辨识效率。     

基于遗传模拟退火的广义T-S模糊模型的混沌系统辨识

针对混沌系统辨识引入广义T-S模糊模型,使系统中隶属函数具有自适应性;并对T-S模糊模型前件模糊规则数、各加权值、隶属函数自适应参数进行遗传退火算法优化,使系统具有最佳结构和参数。以一维的Logistic系统和二维的Henon系统为例进行仿真分析,结果表明辨识模型能够拟合原混沌系统,收敛速度及精度良好。     

模糊双曲正切模型的建模方法与控制器设计

首先提出一种新型模糊双曲正切模型.这种模型是一种本质非线性模型,可以很容易由一组模糊规则基构成.这种模型也可以看作是线性模型的扩展,因此可以应用线性控制理论的成果来设计控制器.同时给出了基于此模型的两种控制器的设计方法及仿真实例.     

基于广义双曲正切模型的机器人模糊自适应控制

利用广义模糊双曲正切模型的全局逼近特点,设计一种直接模糊自适应控制器用于机器人轨迹跟踪控制．模糊控制器的输入变量经过平移变化后得到的广义输入变量能够覆盖整个输入空间,因此,模糊控制器能以任意精度逼近系统的最优控制;由于双曲正切模型的特殊结构,在保证跟踪精度的同时,避免了因模糊子集数目增加而带来的计算负担的增加,满足了机器人实时控制的需要．仿真结果表明,该控制算法具有较强的鲁棒性和较好的跟踪性．     

一种鲁棒补偿的直接自适应模糊控制算法

针对一类含有不确定项的非线性系统,提出了一种鲁棒直接自适应模糊控制算法,可在系统的控制增益已知、部分已知和未知三种情况下,实现系统跟踪有界参考信号的控制目标。该算法采用广义模糊双曲正切模型逼近系统的等价控制项,广义模糊双曲正切模型具有模糊规则个数少,更易于用语言描述获取的特点,在实际应用中更易实现。同时,引入鲁棒补偿项消除系统的不确定项和逼近误差,放宽系统稳定条件为最小近似误差有界。利用Lyapunov函数证明了采用上述控制策略保证了控制系统跟踪误差收敛到原点的一个小的邻域内,且所有的变量一致有界。仿真例子说明了该算法的有效性。     

基于T-S 模型和小世界优化算法的广义非线性预测控制

提出一种新型的基于T-S模糊模型和小世界优化算法的广义非线性预测控制策略.采用基于混沌遗传算法的T-S模糊模型描述复杂非线性系统的动态特性,构成模糊多步预报器.同时,针对现有基于二进制和十进制编码小世界优化算法运行时间长等缺点,提出一种新型的基于实数编码的小世界优化算法,函数测试和应用于非线性预测控制的滚动优化反映了其较强的寻优能力.最后,将其应用于基于实际数据的T-S模糊模型的广义非线性预测控制,满足了系统实时性和快速稳定性的要求.     

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.     

基于移动率的T-S模糊模型的结构辨识方法

为了提高现行模糊辨识方法的有效性,提出了基于移动率的T-S模糊模型的结构辫识方法。主要工作如下: 首先,定义I=S模糊模型的S型、Z型和梯形隶属函数的移动率,将此移动率与现行的隶属度相比较可以看出,提出的 方法比较有效;然后,定义基于移动率的T-S模糊推理方法,并且提出基于移动率的前提和结论部分的子S模型的辫 识方法;最后,将提出的识别方法应用于降水量和安全形势的预测模糊建模。测试结果表明,与现行方法和模糊神经 网络算法相比,该方法明显提高了模糊辨识的有效性,减少了规则数目,并降低了辫识误差。     

Fuzzy adaptive dynamic programming-based optimal leader-following consensus for heterogeneous nonlinear multi-agent systems

In this paper, a novel online iterative scheme, based on fuzzy adaptive dynamic programming, is proposed for distributed optimal leader-following consensus of heterogeneous nonlinear multi-agent systems under directed communication graph. This scheme combines game theory, adaptive dynamic programming together with generalized fuzzy hyperbolic model (GFHM). Firstly, based on precompensation technique, an appropriate model transformation is proposed to convert the error system into augmented error system, and an exquisite performance index function is defined for this system. Secondly, on the basis of Hamilton–Jacobi–Bellman (HJB) equation, the optimal consensus control is designed and a novel policy iteration (PI) algorithm is put forward to learn the solutions of the HJB equation online. Here, the proposed PI algorithm is implemented on account of GFHMs. Compared with dual-network model including critic network and action network, the proposed scheme only requires critic network. Thirdly, the augmented consensus error of each agent and the weight estimation error of each GFHM are proved to be uniformly ultimately bounded, and the stability of our method has been verified. Finally, some numerical examples and application examples are conducted to demonstrate the effectiveness of the theoretical results.

     

基于理性遗传算法的模糊系统辨识

针对模糊系统辨识的复杂问题,提出基于理性遗传算法的模糊系统辨识。模糊系统辨识包括前件结构、参数辨识和后件结构、参数辨识,在利用模糊系统的通用逼近性的基础上,采用理性遗传算法对模糊模型进行辨识,并给出仿真结果,其结果表明理性遗传算法在进行离线辨识中是一种十分有效的方法。     

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。     

非线性模糊辨识新算法及其在热工过程中的应用

针对非线性复杂对象,改进了基于T-S模型的模糊辨识算法:首先,提出了将输入向量的阶次辨识加入到参数辨识的方法,最终有效提高了辨识精度;其次,在辨识过程中,自适应改变了模糊模型规则的数目,并通过置信度的检验,保证最有效的规则数,间接提高了辨识的速度。为验证该算法的有效性,采用Box-Jenkins煤气炉辨识试验及电厂锅炉主汽温对象升负荷的辨识仿真,结果表明:基于该方法辨识的非线性模糊模型,能够精确地描述过程的非线性,而且算法简单快速。     

基于广义模糊双曲正切模型的自适应控制器

针对一类非线性函数未知的非线性离散系统，提出一种新的基于广义模糊双曲正切模型的参考模型自适应控制器设计方法，并利用Lyapunov稳定性理论证明了该控制器是全局渐近稳定的．仿真例子证明了该方法的有效性．     

遗传算法在模糊模型参数辨识中的应用

介绍了T-S模糊模型的建模过程,在现有T-S模糊模型参数辨识方法的基础上,提出了一种先应用最小二乘法对结论参数进行粗略辨识,以确定参数的大致范围之后,再应用遗传算法对前提参数和结论参数同时优化的参数辨识方法,通过MATLAB对本算法进行了仿真,并对非线性函数进行了逼近实验,所取得的结果令人满意。     

基于自适应重叠系数的T-S 模型在线辨识算法及应用

为使T-S模型在线辨识时能够更加合理地划分模糊空间,提出一种根据相邻聚类中心距离确定模糊空间重叠系数的方法.将该方法与一次完成最小二乘法、递推最小二乘法相结合,得到了一种辨识精度较高的T-S模型在线辨识算法.以某型号单晶炉热场的实际运行数据为对象,应用所提出的算法对热场模型进行在线辨识.辨识结果表明,由该辨识算法得到的单晶炉热场模型具有较高的精度.