规则可生长与修剪的非线性系统T-S模糊模型辨识

摘要

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.