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。     

非线性系统模糊辨识的新方法

提出一种新的基于T－S模型的模糊辨识方法,其特点是考虑了样本距离和“可线性化程度”两个因素,对模型的前后件参数同时辨识,提高了辨识精度,并提出规则“置信度”的概念,实现了辨识的结构自适应。将该辨识器用于一类非线性系统的模糊辨识,仿真结果验证了所提出方法的有效性。     

复杂系统的递阶模糊辨识

针对Takagi_Sugeno模糊模型 (T_S模型 )严重的维数灾问题, 借鉴GMDH算法, 提出了一种新的复杂系统递阶模糊辨识方法. 本文首先详细描述了由两输入变量的特殊T_S模型所组成的递阶模糊模型 ;然后提出了具体的辨识该递阶模糊模型的方法. 该方法的特点是 :a)在结构辨识阶段, 用FCM模糊聚类方法评价系统中每个输入变量的重要性, 以便构造合理的递阶模糊模型 ;b)预先合理地确定了所要辨识的参数的初始值, 用扩展卡尔曼滤波方法可很快地得到这些参数. 最后, 给出的仿真实例说明了本文辨识方法的有     

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.     

关于模糊系统辨识近年来的研究与发展

为了实现理想的模糊控制，基于对象的模糊系统辨识研究具有非常重要的理论与实际应用价值．本文主要从模糊系统结构辨识和参数辨识两方面讨论了近年来在该领域的一些研究内容和方法，分析了它们的主要优缺点并探讨了这一研究领域目前存在的问题和研究趋势．     

一种基于并行遗传算法的非线性系统辨识方法

结合并行算法的运算能力和遗传算法的搜索能力，提出一种基于并行遗传算法的非线性系统辨识方法。其特点是通过并行遗传算法实现对RBF神经网络极值、宽度和中心位置等有关参数的估计，其速度快、精度高，从而通过RBF神经网络有效地完成了对非线性系统的辨识。最后给出了仿真结果，证实了该方法的有效性。     

基于模糊神经网络的系统辨识

基于模糊神经网络研究系统辨识问题,提出一种具体的模糊神经网络结构和相应算法,设计了开环系统和闭环系统辨识的结构。针对多个不同的对象进行仿真研究,结果表明用模糊神经网络建模较之传统建模方法能力强。     

L1鲁棒辨识收敛性态的研究

研究Ｌ１鲁棒辨识的渐近收敛性，提出一种有效的辨识算法，并分析了该算法的可行性和收敛性。     

自适应模糊辨识及其在大系统中的应用*

本文基于Ｔ－Ｓ模糊模型构造了一种新的自适应模糊神经网络，给出了网络诉连接结构物学习算法，它能自动学习和修正前件参数及模糊规则，将其用于大系统随机民递阶优化的控制建模中，仿真结果表明，该方法具有收敛速度快，辨识精度高、泛化能力强等特点，可当作复杂大系统建模的一种有效手段。     

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。     

动态系统模糊模型辨识及其自学习算法

提出一种规则模型辨识的自学习算法,并进行了实例验证,结果表明该算法具有较高的辨识精度,可用于模糊自适应控制系统中.     

动态系统模糊辨识的新算法*

本文针对复杂动态系统的辨识问题，提出了一种基于一类标准模糊系统的模糊辨识的简单学习算法。仿真研究表明该算法具有辨识精度高、所需样本量小以及运算速度快等优点，是动态系统模糊辨识的有效工具。     

用模糊模型在线辨识非线性系统

讨论用模糊方法实现非线性系统在线辨识问题.首先给出了简化的模糊规则表达 方法及其相应的自适应模糊推理,在此基础上给出了模糊模型参数在线辨识算法.最后对 非线性模型进行在线辨识,验证了本文提出的模糊模型及其在线辨识算法.     

神经网络并联辨识算法的收敛性研究

神经网络可用来建立非线性动态系统的模型，其辨识模型可分为串联并联辨识模型和并联辨识模型两种，后者的思路源于基于参考模型自适应方案的输出误差辨识模型，对观测扰动有较强的抑制能力。本文对这种神经网络并联辨识结构的收敛性进行了研究，指出在网络参数满足一定条件时并联预测过程收敛，且并联辨识算法具有局部收敛性，仿真实验验证了上述结论。     

多变量非线性系统的模糊内模控制

大多数的先进控制器是基于线性模型的,它们对化学工业中常见的非线性过程的控制效果并不能达到最优.因此,考虑使用非线性模型,以使控制性能获得改善.用基于T-S模型的自适应模糊聚类辨识算法对系统进行辨识.T-S模型是用线性的方程来描述非线性系统,从而利于求出模型的逆.而模型逆又是IMC的关键一步,因此选用这种基于T-S模糊模型的控制器(FIMC)来实现对非线性多变量系统的控制.对2输入2输出的非线性系统进行仿真,结果表明FIMC在多变量系统中可以实现好的控制.     

一类非线性离散系统模糊控制器的分析和设计

针对一类非线性离散不确定系统,在系统状态不可测的情况下,以T-S模型描述不同状态空间的局部动态区域,并通过中心平均反模糊化、乘积推理、单点模糊化方法得到全局模糊系统模型.基于李亚普诺夫理论和线性矩阵不等式,设计了一种基于观测器的鲁棒控制器,并对离散状态下的此类系统进行了稳定分析.最后通过M ATLAB仿真,证明了该方法的有效性.     

并联式温度补偿的模糊优化

并联式温度补偿具有近似性、模糊性，利用模糊优选决策理论提出了一种补偿器件的优选方法，该方法在光控路灯开关的研制、生产中得到成功应用。     

基于子空间划分的模糊系统模型辨识

提出了基于子空间划分的模糊系统模型（SPFS）,并给出一种针对SPSF的白适应模型辨识方法．应用遗传算法进行子空间划分方案的优化。降低了最大子空间的辨识误差,从而得到优化的模型辨识结果．理论分析和仿真计算证明了该模型的有效性．所提出的模型有助于缓解规则数爆炸问题．