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。     

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.     

基于改进PSO和FCM的模糊辨识

为了提高T-S模糊模型的辨识精度和效率,本文提出了一种改进的粒子群算法和模糊C均值聚类算法相结合的模糊辨识新方法。在该方法中,针对粒子群算法在处理高维复杂函数时容易陷入局部极值的问题,提出了一种粒子群局部搜索和全局搜索动态调整的全新优化算法。模糊C均值聚类算法是模糊辨识最常用的方法之一,该算法简单,计算效率高,但是对初始化特别敏感,容易陷入局部最优。为了解决这一问题,利用改进粒子群算法的全局搜索能力优化聚类中心,显著地提高了算法的辨识精度和效率。最后,针对非线性系统进行建模仿真,仿真结果表明了本文方法的有效性和优越性。     

Sugeno模糊模型的辨识与控制

提出了一种新的Sugeno模糊模型辨识算法和对非线性系统进行并行化设计的方法.在Sugeno模糊模型辨识中,应用模糊聚类方法可将其前提结构和结论参数的辨识分开进行,减少了计算量;对于非线性系统的控制,Sugeno模糊模型实际上是动态系统的局部线性化,可采用并行设计的方法设计控制器,然后通过模糊推理得到全局控制量.最后通过倒立摆系统的控制说明了本文算法的有效性.     

神经模糊系统在制动干扰模型中的应用

关于汽车制动优化问题,由于汽车制动器摩擦系数的干扰,产生汽车制动振荡现象,系统的模型是一个由线性与非线性糅合的系统,针对非线性部分难以建立数学模型,采用传统的BP神经网络进行系统辨识,在辨识过程中常常出现收敛速度慢、易导致局部极值等不良现象,从而影响系统辨识的速度及其信号的跟踪性.为解决上述问题,结合模糊推理系统模型具有控制精度高与神经网络自学习的功能,提出了使用神经模糊系统来进行非线性动态部分辨识的方法.分别采用传统的BP网络与模糊神经系统的方法对非线性动态系统进行辨识,通过利用MATLAB软件进行仿真.仿真结果表明,神经模糊系统的非线性动态系统辨识方法,不仅能够提高系统辨识的收敛速度,还能提高辨识精度及信号的跟踪性能.     

基于模糊模型的结构和参数的一体化辨识

基于模糊集合的模糊建模捕述复杂、病态、非线性系统的特性是一种有效方法．文中讨论了从样本数据中通过正交变换和模糊聚类获取模糊规则的方法．利用正交最小二乘对模糊聚类的结果进行变换,采用CGS（Classical Gram—Schmidt）方法确定对建模贡献大的规则,删除对建模贡献小的规则,并对模型中的参数进行估计,能够同时模对糊模型的结构和参数进行辨识．仿真结果表明,提出的方法能够对非线性系统进行模糊建模．     

基于二次仿射传播聚类的非线性系统多模型LSSVM建模

针对复杂非线性系统单模型建模存在计算量大和精度差的问题,提出一种采用仿射传播聚类的多模型LSSVM建模方法,通过仿射传播聚类对样本数据按输入集和输出集二次聚类划分,并分别建立LSSVM子模型,非线性系统模型通过子模型加权合成.将该方法应用于两电机变频调速系统的张力和速度模型辨识,仿真结果表明,该建模方法具有较高的精度,能准确拟合系统的非线性特性.     

启发式模糊聚类学习在函数逼近和非线性系统建模中的应用

在基于模糊G均值(FCM)聚类的模糊建模和神经模糊建模中,模糊聚类数是一个非常重要的参数,其决定了模型结构的复杂程度.本文提出了基于误差回溯的启发式模糊聚类学习方法.在建模过程中,该方法可以从较小的聚类数开始,根据误差检测,逐步填补输入聚类空间的"空洞",从而获得合适的模型规则数.函数逼近和非线性动态系统建模实验结果表明这种方法是简便而有效的.     

基于T S模型的模糊系统辨识方法综述*

模糊模型设计方法归结为两种,即语义驱动和数据驱动。数据驱动模型具有更好的性能,是目前研究的热点。模糊系统辨识是数据驱动下模糊系统建模的重要手段,辨识的优良直接影响系统建模的精度。模糊系统辨识可以分为两部分进行认识,即模糊系统结构辨识和参数辨识。回顾了近年来模糊系统辨识的理论和方法,如subtractive聚类、多分辨率自适应空间分解、SVM、核函数法、粒子群算法和并行遗传算法等。对各种算法原理、特点进行了介绍,对模糊系统辨识的发展进行了展望。     

基于T S模型的模糊系统辨识方法综述*

模糊模型设计方法归结为两种,即语义驱动和数据驱动。数据驱动模型具有更好的性能,是目前研究的热点。模糊系统辨识是数据驱动下模糊系统建模的重要手段,辨识的优良直接影响系统建模的精度。模糊系统辨识可以分为两部分进行认识,即模糊系统结构辨识和参数辨识。回顾了近年来模糊系统辨识的理论和方法,如subtractive聚类、多分辨率自适应空间分解、SVM、核函数法、粒子群算法和并行遗传算法等。对各种算法原理、特点进行了介绍,对模糊系统辨识的发展进行了展望。     

基于改进型模糊聚类的模糊系统建模方法

结合减法聚类和模糊C均值聚类,提出了一种改进型聚类算法,加快了收敛速度．利用改进后的算法对模糊系统输入或输出的样本集聚类,对聚类结果采用Trust-Region法拟合高斯型和S型函数,以实现模糊系统输入、输出空间的划分和隶属度函数参数的确定．结合MATLAB的模糊和曲线拟合工具箱,详述了如何在标准算法上进行改进和模糊系统建模．通过对IRIS标准数据聚类实验以及在解决机械加工误差复映问题上的应用,验证了改进后算法和建模方法的有效性．     

A fuzzy modeling method via Enhanced Objective Cluster Analysis for designing TSK model

This paper proposes a fuzzy modeling method via Enhanced Objective Cluster Analysis to obtain the compact and robust approximate TSK fuzzy model. In our approach, the Objective Cluster Analysis algorithm is introduced. In order to obtain more compact and more robust fuzzy rule prototypes, this algorithm is enhanced by introducing the Relative Dissimilarity Measure and the new consistency criterion to represent the similarity degree between the clusters. By these additional criteria, the redundant clusters caused by iterations are avoided; the subjective influence from human judgment for clustering is weakened. Moreover the clustering results including the number of clusters and the cluster centers are considered as the initial condition of the premise parameters identification. Thus the traditional iteration modeling procedure for determining the number of rules and identifying parameters is changed into one-off modeling, which significantly reduces the burden of computation. Furthermore the decomposition errors and the approximation errors resulted from premise parameters identification by Fuzzy c-Means clustering are decreased. For the consequence parameters identification, the Stable Kalman Filter algorithm is adopted. The performance of the proposed modeling method is evaluated by the example of Box–Jenkins gas furnace. The simulation results demonstrate the power of our model.     

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．     

On-line fuzzy modeling via clustering and support vector machines

In this paper, we propose a novel approach to identify unknown nonlinear systems with fuzzy rules and support vector machines. Our approach consists of four steps which are on-line clustering, structure identification, parameter identification and local model combination. The collected data are firstly clustered into several groups through an on-line clustering technique, then structure identification is performed on each group using support vector machines such that the fuzzy rules are automatically generated with the support vectors. Time-varying learning rates are applied to update the membership functions of the fuzzy rules. The modeling errors are proven to be robustly stable with bounded uncertainties by a Lyapunov method and an input-to-state stability technique. Comparisons with other related works are made through a real application of crude oil blending process. The results demonstrate that our approach has good accuracy, and this method is suitable for on-line fuzzy modeling.     

基于改进最短邻聚类的最优模糊在线辨识

提出了一种改进的最短邻聚类算法。以输入输出空间为参考,依平均值法实时调整聚类中心,并结合能量函数判据,实现了模糊规则的增加,修改和删除,并保证模糊规则集的优良性。采用最优模糊辨识系统,作为离散时间非线性动态系统的自适应模糊控制器的基本组成单元,实现模型结构和参数的在线辨识及实时更新。仿真结果表明,基于该方法辨识的模糊系统结构简单,规则少,精度高,泛化性好。     

Online fuzzy modeling with structure and parameter learning

This paper describes a novel nonlinear modeling approach with fuzzy rules and support vector machines. Structure identification is realized by an online clustering method and fuzzy support vector machines, the fuzzy rules are generated automatically. Time-varying learning rates are applied for updating the membership functions of the fuzzy rules. The modeling errors are proven to be robustly stable with bounded uncertainties by a Lyapunov method and an input-to-state stability technique. Comparisons with other related works are made through an application of gas furnace process. The results demonstrate that our approach has good accuracy, and this method is suitable for online fuzzy modeling.     

基于特征选择和协同模糊聚类的模糊建模研究

为了提高模糊模型辨识效率,提出了一种新的模糊模型建摸方法,该方法由两步组成：（1）采用基于特征相似性的特征选择方法,去除原始数据的冗余;（2）利用协同模糊聚类与G-K相结合的算法初始化模糊模型,使其前件和后件参数得到优化。采用该算法对有效的特征进行协同模糊聚类,模型参数得到改善,提高了模糊模型辨识的效率。模糊建模的实验结果表明了该方法的有效性。