基于T-S模型的非线性系统模糊辨识方法研究

摘要

本文针对传统FCM(Fuzzy c-means)算法对初始值设定敏感而影响聚类效果、训练速度慢、在迭代时容易陷入局部极小等缺点，提出了将减法聚类和FCM算法相结合的方法用于T-S模糊模型结构的辨识。首先用减法聚类算法找到模糊聚类中心的迭代初值，然后再用FCM算法进行聚类的方法来提高聚类的收敛速度和聚类效果。接着采用最小二乘法进行结论参数的辨识，从而得到初始的T-S模糊模型，在此基础上构造基于T-S模糊模型的神经网络结构来进行参数精调，取得了比较满意的效果。 由于最小二乘法属于梯度法，存在容易陷入局部极小的缺点，且以往的模型的结构和参数是分开来进行优化的，通常是两个步骤反复交替无数次才能获得最终的模型。为了进一步提高T-S模糊模型的辨识精度和收敛速度，达到全局最优，本文还提出了一种新颖的基于全局收敛的遗传算法(Genetic Algorithms)整体优化模糊系统模型的方法。即将模型的结构和结论参数整体进行编码，通过制定合理的编码规则，选择合适的遗传算子，达到模型优化的目的。该方法解决了模型的结构和参数同时优化的问题，在加快收敛速度和提高辨识精度方面取得了很好的效果。 最后通过选取具有代表性和普遍性的实例在MATLAB中对所提出的算法进行仿真分析和比较，结果验证了本文提出的方法具有辨识精度高、逼近能力强和全局收敛等优点，为非线性复杂系统的建模提供了一条实际有效的途径。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究的背景及意义

1.2模糊建模的发展及研究现状

1.3本文的主要研究内容

第二章模糊聚类算法研究

2.1引言

2.2聚类基础

2.2.1聚类的含义

2.2.2聚类分析的数学模型

2.2.3常用的聚类方法

2.3模糊聚类算法

2.3.1模糊聚类

2.3.2模糊聚类的实现途径

2.3.3模糊加权指数m的选择

2.4本章小结

第三章模糊系统模型基础理论

3.1引言

3.2模糊逻辑系统中的基本概念

3.2.1模糊集

3.2.2模糊推理

3.2.3精确量的模糊化和模糊量的反模糊化

3.3模糊逻辑系统的分类

3.3.1纯模糊逻辑系统

3.3.2高木-关野模糊系统

3.3.3具有模糊产生器和模糊消除器的模糊逻辑系统

3.4模糊模型

3.5模糊模型的结构辨识方法

3.5.1系统输入变量的选择

3.5.2输入空间的模糊划分

3.6模糊模型参数辨识方法

3.6.1基于梯度学习的参数辨识

3.6.2基于模糊神经网络的参数学习

3.6.3应用遗传算法进行参数辨识与优化

3.7模糊集合的相似性分析与融合

3.8本章小节

第四章 基于递阶模糊聚类的T-S模糊模型的辨识

4.1引言

4.2 T-S模糊模型

4.3基于递阶模糊聚类的T-S模糊模型的前件结构和参数的辨识

4.3.1问题的提出

4.3.2基于减法聚类的输入空间的初始划分

4.3.3基于FCM算法优化输入空间的模糊划分

4.3.4减法聚类与FCM算法相结合的步骤

4.4 T-S模糊模型的后件参数的辨识

4.5基于T-S模糊模型的模糊神经网络结构

4.6基于减法聚类的模糊c-均值聚类算法实验与结论

4.6.1仿真实验

4.6.2实验结论分析

4.7模糊神经网络优化参数仿真实验与结论

4.7.1仿真实验

4.7.2实验结论

4.8本章小结

第五章基于遗传算法优化T-S模糊模型的前后件参数

5.1引言

5.2遗传算法的基本原理

5.3遗传算法的特点

5.4基于遗传算法优化T-S模糊模型的前后件参数

5.4.1染色体编码

5.4.2适应度函数的确定

5.4.3遗传操作

5.5基于遗传算法优化T-S模糊模型算法

5.5.1遗传优化算法描述

5.5.2遗传优化算法的步骤

5.6模拟实验及结论

实例1：继续使用上一章的实例

实例2：非线性混沌时间序列的建模与预测

5.7本章小结

第六章结论

参考文献

致谢

攻读硕士学位期间发表论文与成果