遗传算法在T-S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。     

基于在线聚类的模糊建模方法及其应用

针对复杂非线性动态系统的模糊建模问题,提出了一种基于在线聚类的模糊建模方法。该方法首先采用在线聚类算法辨识T-S模型的前提参数,然后采用递推最小二乘算法辨识结论参数。根据系统过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新。最后将提出的方法应用于Box-Jenkin煤气炉建模和二自由度机器人建模两个例子。仿真结果表明,基于该方法辨识的T-S模糊模型具有很高的精度,而且模型结构简单、建模速度快,便于工程应用。     

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.     

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。     

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。     

融合改进蚁狮算法和T-S模糊模型的噪声非线性系统辨识

针对传统的T-S模糊辨识方法难以准确辨识含噪声的非线性系统问题,将噪声信号和系统的其他输入变量一起作为模糊前件的输入,采用具有动态随机搜索和寻优半径连续收缩机制的改进蚁狮算法优化模糊前件的结构参数,使用加权最小二乘法实现模糊后件的参数辨识.数值仿真表明,所提出的辨识方法可以有效抑制噪声的影响,经过改进蚁狮算法优化后的T-S模糊模型辨识效果更好.最后,将所提出方法用于直拉硅单晶生长热模型的辨识,实验结果表明该方法优于传统的辨识方法.     

基于扩展T-S模型的PSO神经网络在故障诊断中的应用

针对现实故障现象具有模糊性和非线性的特点,提出了一种利用自适应扩展T-S(Takagi-Sugeno)模糊模型的PSO(Particle Swarm Optimization)算法和神经网络相结合的新型智能结构化算法来进行故障诊断的新方法.首先通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数.然后使用该PSO算法作为神经网络的学习训练算法来进行训练.最后将此算法用于齿轮箱实测故障诊断.诊断结果显示均方误差提高了0.1981%.通过不同模型的诊断结果比较,表明本方法便捷、高效,为解决故障诊断问题提供了一条新途径.     

扩展T-S模糊模型的PSO神经网络优化算法

针对机械设备具有模糊性和非线性的特点,提出了一种利用扩展T-S模糊模型的,自适应PSO算法和BP神经网络相结合的新型智能结构优化算法。通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数。以BP 神经网络隐含层神经元数目为设计变量,提取训练后的均方误差作为评价函数,用改进后的粒子群算法进行寻优。把优化后的网络模型应用于轮盘结构优化中,实验表明,该方法在保证轮盘性能的同时,对其结构进行了重新优化,是一种可行的结构优化方法。     

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。     

基于改进T-S模糊神经网络的交通流量预测

在萤火虫优化算法和T-S模糊神经网络的基础上,提出了一种采用萤火虫算法优化的T-s模糊神经网络预测交通流量的算法。该算法利用萤火虫算法得到T_s模糊神经网络的最优参数配置,从而能发挥T-s模糊神经网络泛化的映射能力。将该算法应用到实测交通流中进行算法的有效性验证,并与传统的T-s模糊神经网络和遗传算法优化的T-S模糊神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明了该算法在交通流量预测领域的可行性和有效性。     

规则可生长与修剪的非线性系统T-S模糊模型辨识

通常离线提取 T-S 模糊模型的规则后, 规则数无法在模型使用中进行调整, 而这成为表达非线性系统复杂性的一个瓶颈. 针对这一问题, 本文引入一种神经网络的生长和修剪方法, 从实时数据中提取 T-S 模型的规则, 并定义其对应局部模型对输出的影响, 以此作为在线调整规则数的依据, 从而更准确地表达了非线性系统的复杂性和运行中的变化. 再加上基于竞争性 EKF(Extended Kalman filter) 的模型参数在线学习, T-S 模型的建模精度也得到了保证. 整个算法完全实现了 T-S 模糊模型的在线辨识, 使模型的结构和参数具有很好的自适应能力. 对 CSTR(Continuously stirred tank reactor) 系统的辨识, 表明了该算法在处理非线性系统辨识问题上的优越性能.     

Convenient T-S fuzzy model with enhanced performance using a novel swarm intelligent fuzzy clustering technique

To automatically extract T-S fuzzy models with enhanced performance from data is an interesting and important issue for fuzzy system modeling. In this paper, a novel methodology is proposed for this issue based on a three-step procedure. Firstly, the idea of variable length genotypes is introduced to the artificial bee colony (ABC) algorithm to derive a so-called Variable string length Artificial Bee Colony (VABC) algorithm. The VABC algorithm can be used to solve a kind of optimization problems where the length of the optimal solutions is not known as a priori. Secondly, fuzzy clustering without knowing cluster number as a priori is viewed as such kind of optimization problem. Thus, a novel version of Fuzzy C-Means clustering technique (VABC-FCM), holding powerful global search ability, is proposed based on the VABC algorithm. Use of VABC allows the encoding of variable cluster number. This makes VABC-FCM not require a priori specification of the cluster number. Finally, the proposed VABC-FCM algorithm is used to extract T-S fuzzy model from data. Such VABC-FCM based convenient T-S fuzzy model extraction methodology does not require a specification of rule number as a priori. Some artificial data sets are applied to validate the performance of the convenient T-S fuzzy model. The experimental results show that the proposed convenient T-S fuzzy model has low approximation error and high prediction accuracy with appreciate rule number. Moreover, the convenient T-S fuzzy model is used to model the characteristics of superheated steam temperature in power plant, and the results suggest the powerful performance of the proposed method.     

Self-tuning of 2 DOF control based on evolving fuzzy model

In this paper we present a self-tuning of two degrees-of-freedom control algorithm that is designed for use on a non-linear single-input single-output system. The control algorithm is developed based on the Takagi-Sugeno fuzzy model, and it consists of two loops: a feedforward loop and feedback loop. The feedforward part of the controller should drive the system output to the vicinity of the reference signal. It is developed from the inversion of the T-S fuzzy model. To achieve accurate error-free reference tracking a feedback part of the controller is added. A time-varying error-model predictive controller is used in the feedback loop. The error-model is obtained from the T-S fuzzy model. The T-S fuzzy model of the system, required in the controller, is obtained with evolving fuzzy modelling, which is based on recursive Gustafson-Kessel clustering algorithm and recursive fuzzy least squares. It employs evolving mechanisms for adding, removing, merging and splitting the clusters.The presented control approach was experimentally validated on a non-linear second-order SISO system helio-crane in simulation and real environment. Several criteria functions were defined to evaluate the reference-tracking and disturbance rejection performance of the control algorithm. The presented control approach was compared to another fuzzy control algorithm. The experimental results confirm the applicability of the approach.     

基于局部线性聚类算法的模糊建模

提出了一种新的基于T-S模糊模型的建模方法，首先通过一种局部线性聚类算法，自适应确定模糊规则数目及初始T-S模型的前提和结论参数，建立相应的一阶T-S模糊神经网络．并用梯度下降和递推最小二乘混合算法训练网络参数，从而提高建模精度．最后，通过两个仿真实例验证了本文方法的有效性．