一种模糊模型辨识方法

本文提出了一种高精度的动态系统模糊模型的辨识方法。内容包括结构辨识和参数辨识。实际应用例子证明了该方法的有效性。     

一种模糊辨识方法及其在电站仿真器中的应用

利用模糊聚类和最小二乘估计方法提出一种糊辨识方法。该方法是基于模糊聚类,计算给定样本在各类中的隶属度,并利用递推最小二乘估计辨识模糊模型的后件参数。采用该方法对火力发电厂电站仿真器中的汽轮发电机密封油冷却系统进行建模研究,取得了满意的效果。     

一种T-S模糊模型的辨识方法

将一种基于三角形隶属函数的T—S模糊系统用于非线性系统的辨识中。该方法可以很方便地确定输入空间的划分及隶属函数的形状,并且对于给定的输入量系统输出的计算只需要少量的推理规则参与,减少了计算量。最后通过仿真实例说明本方法的有效性。     

一种基于非线性频谱分析的多模型在线早期故障预报方法

为了克服非线性系统故障诊断方法一般计算量比较大,不利于在线实施的不足,该文以非线性频谱分析故障诊断方法为基础,融合时间序列分析理论,提出并实现了一种多模型在线早期故障预报策略。通过对某型直升机并联电动舵机的大量实际检测表明,该文提出的在线预报方法是有效的。该方法可以直接应用于工程实际,具有重要的实用价值。     

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.     

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。     

遗传算法在T—S模糊模型辨识中的应用

给出了Ｔ－Ｓ模糊模型的一种模糊神经网络实现方法。提出了采用遗传算法优化网络参数，实现了Ｔ－Ｓ模型的辨识。给出了参优化的详细过程，并用仿真实例证实了 这种方法的有效性。成功地将神经网络，模糊逻辑与遗传算法融合于一个系统中。     

GMM与RVM融合的话者辨识方法

相关向量机(RVM)分类法使用概率输出克服了支持向量机(SVM)识别速率低的缺点,并且具有更好的稀疏性。但在与文本无关的话者辨别中,大量训练样本数据体现了RVM在模型训练时计算量与内存需求过大的缺点。针对以上特点,提出基于GMM统计特征参数与RVM融合的与文本无关的语者辨别系统,既有效地提取话者特征信息,解决大样本数据下的RVM训练问题,又结合统计模型鲁棒性高和分辨模型辨别效果好的优点。实验结果证明,该系统比基本的GMM系统具有更优的错误辨别率,比GMM/SVM系统具有更高的稀疏性。     

一种基于扩张原理的模糊模型及其辨识方法

提出一种新的基于LR型模糊数及其运算的模糊模型结构--扩展的TSK模型(ETSK模型).借助于LR型模糊数隶属函数图形的面积和重心横坐标这两个"数字特征",导出了ETSK模型的输入输出解析表达式,并证明了ETSK模型与变权TSK模型的等价关系,同时给出一种对ETSK模型规则后件的参数辨识方法.仿真辨识实验结果表明,ETSK模型的辨识效果和预报精度更优.     

模糊模型的结构辨识

一、问题的描述考虑MISO模糊系统y(t)=x_1(t)ox_2(t)o…ox_n(t)oR,(1)其中y(·)为输出模糊变量;x(·)为输入模糊变量;R为基于参考模糊集合的模糊关系;“o”为基于参考模糊集合的合成算子;n为输入模糊变量的个数.模糊模型的辨识就是确定各模糊变量x_i(·),y(·)在其论域上参考模糊集合的隶属函数(即结构)和模糊关系     

基于MVRVM回归和RVM二叉树分类的自确认气动执行器故障诊断算法

为了解决自确认气动执行器的故障诊断问题,提出了一种基于多变量关联向量机( MVRVM)回归和关联向量机二叉树分类的气动执行器故障诊断方法,该方法利用多变量关联向量机回归建立气动执行器的正常模型,然后将实际输出与模型输出比较,产生残差作为气动执行器的非线性故障特征向量。以残差作为输入建立关联向量机二叉树多分类机,诊断气动执行器故障类型。利用DABLib生成的故障数据对所研究方法进行了验证,并与基于RVM一对一分类的故障诊断方法进行了比较,结果表明该方法是解决气动执行器故障诊断的小样本和非线性问题的一种有效方法。     

布谷鸟优化混合核相关向量机的网络流量预测

为了提高网络流量的预测精度,提出一种布谷鸟算法优化混合核相关向量机的网络流量预测模型(CS-RVM)。首先采用多项式和高斯核函数构成混合核函数代替相关向量机的单一核函数,然后引入布谷鸟算法对混合核参数进行寻优,最后建立网络流量预测模型。仿真结果表明,CS-RVM具有良好的建模效果,可提高网络流量的预测精度。     

一种基于EMD和RVM的自相似网络流量预测模型

针对自相似网络流量提出了一种基于EMD(经验模态分解)和RVM(相关向量机)的自相似时间序列预测模型.该模型利用EMD将滑动窗口内的小时间尺度网络流量序列分解为多个IMF(固有模态函数)分量,以去除流量序列长相关性;然后采用RVM对其中的高频分量进行拟合,而对低频分量则使用ARMA构建预测模型;最后合成各分量的预测结果.实验表明,该模型能准确地预测流量时间序列的幅值及其趋势,与同类型预测方法相比,其预测性能更好.     

基于多项式核RVM的非线性模型预测控制

针对非线性、不确定性对象不易建模的特点,提出了基于多项式核关联向量机(RVM)的解析型非线性预测控制方法,该方法采用多项式核RVM进行模型辨识,得到的对象模型作为预测模型。由于RVM具有较好的非线性建模能力,弥补了SVM参数设定难和稀疏性不强等弱点;同时,多项式形式的模型表达式使二次型优化目标函数可以通过函数解析方法求得最优控制输入,即简化了滚动优化模块,增强了控制的实时性。通过对一个标准的非线性Benchmark问题进行仿真实验,结果表明该方法具有良好的控制性能。     

利用调制函数法的模糊模型参数辨识

利用调制函数法辨识非线性连续系统的模糊模型参数.系统的动力学微分方程存在微分项,通过输入输出数据辨识模糊模型参数时不能忽略扰动的影响,因此辨识模糊模型参数比较困难.利用调制函数法可以消除微分项,通过无微分项的联立方程的求解容易进行模糊模型参数辨识.几个非线性连续系统的仿真实验验证了所设计的利用调制函数法的模糊模型参数辨识的正确性和有效性.     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

基于T-S模糊模型的辨识算法

提出一种新的基于T－S模糊模型的辨识算法。该算法可分为2步,第1步是比较粗糙的辨识,按子空间的线性程度来划分输入空间,规则前件参数由于空间的中心和大小决定,规则后件线性参数由最小二乘法确定2步是模的精细调整,利用梯度下降法调节隶属函数和规则后件的线性参数,仿真实验说明了该算法的有效性。     

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