一种基于改进FCM划分算法的T-S模型辨识

鉴于以往T-S模型建模过程中,在模糊划分上存在主观性的差异,提出了一种基于改进模糊C-均值算法的模糊划分方法,使划分结果尽可能地依赖于原始数据的分布情况,进而将该模糊划分算法用于多输入单输出非线性系统的基于T-S模型模糊辨识.在用该方法对多参量水质评价系统进行基于T-S模型模糊辨识建模时,取得了较好的验证效果.该研究结果表明,基于改进模糊C-均值划分算法的T-S模型辨识能在模糊综合评价与决策等应用领域中取得较好的应用效果.     

基于ISODATA算法的自组织单输入单输出T-S模糊系统

T-S模糊模型已得到了广泛的研究与应用.但在该模型的建模过程中,在结构辨识、参数优化等方面仍存在一些不足,为此提出了一种基于ISODATA算法的自组织T-S模糊系统.该方法基于输入输出数据,分两步对模糊系统进行建模.第一步,使用基于线性原型的ISODATA算法,对输入输出数据进行聚类,确定系统结构.第二步,建立初始T-S模糊系统,然后使用粒子群算法优化系统参数.与传统方法相比,具有自动优化系统结构的优点.仿真结果验证了该方法的有效性.     

基于微粒群优化的船舶柴油机T-S模糊模型

提出了一种基于微粒群优化(PSO)的T-S模糊模型的非线性系统辨识方法,并用于船舶柴油机的动态建模.该辨识方法采用GK模糊聚类算法确定模糊模型的前件结构及参数,利用PSO算法来辨识模糊模型的结论参数.利用6160-All船舶柴油机模型,获得柴油机各主要参数在油门尺度和负载发生小偏差扰动时的试验数据,再利用该组数据辨识出柴油机转速、涡轮增压器转速、增压压力、空冷器压力、进气管压力、排气管压力等参数的T-S模糊动态模型.仿真结果表明了该方法的有效性.     

非线性辨识算法及其对热工对象的应用

针对非线性复杂对象,改进了基于T-S模型的模糊辨识算法:取部分数据进行离线辨识,将输入向量的选择先于模型参数辨识,找出最有效的模型结构,提高辨识精度;然后利用剩下的数据模拟在线辨识,辨识过程中自适应改变模糊规则的数目,并通过置信度的检验,保证最有效的规则数,间接提高辨识速度。采用Box-Jenkins煤气炉辨识验证该算法的有效性,并将算法应用于电厂锅炉主汽温对象升负荷过程中的模型辨识。结果表明:辨识算法简单快速,辨识出的模糊模型能够较精确地在线描述非线性对象。     

T-S模糊系统的辨识方法及其在主汽温系统中的应用

针对T-S模糊模型辨识步骤中,结构辨识与参数辨识混在一起、计算量大的缺点,提出了应用确定模糊规则结论参数的启发式辨识方法。对启发式辨识方法的基本原理做了阐述,并将基于该方法的T-S模糊模型应用于火电厂主汽温系统。以某600MW直流锅炉高温过热器为研究对象,对其不同工况下的单位阶跃响应模型进行了辨识。仿真结果表明,该T-S模糊系统能有效地逼近主汽温系统阶跃响应模型,验证了所提出的辨识算法的有效性和可行性。     

基于T-S模糊模型的直接自适应预测控制

提出一种基于T-S模糊模型的直接自适应预测控制算法。该算法利用加权递推最小二乘法在线辨识T-S模糊模型的后件参数。用已经辨识好的参数,进行直接迭代计算,直接得到模型的预测输出。此算法很好地解决了非线性预测控制中,建模与优化两大难题,为非线性系统的高精度控制提供了保证。计算机仿真表明,该算法具有较好的跟踪性能。     

基于SOMK算法的T-S模糊系统建模方法

针对T-S模糊系统建模中的结构辨识和参数辨识问题,以自组织特征映射SOM算法与K-means算法相结合的SOMK算法对输入样本进行聚类,同时以Davies-Bouldin(DB)指标来验证聚类的有效性,得到最佳聚类数即为T-S模糊系统模型的规则数。然后用所得模糊规则数和聚类中心来辨识T-S模糊系统模型前件参数进而采用最小二乘算法来确定模糊推理规则的后件参数。最后,用仿真实例验证了文中所提出的建模方法与相应算法。仿真结果表明,该方法逼近精度高,泛化能力强,具有较好的实际应用价值。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

非线性系统的模糊建模方法研究

给出一种基于T-S模型进行非线性模糊建模的方法,该方法首先通过模糊聚类的方法进行模糊结构辨识,再利用带遗忘因子的递推最小二乘法对后件参数的辨识,从而得到模糊模型,通过利用Box和Jenkins煤气炉数据进行仿真,验证了所提方法的有效性.     

基于T-S模糊模型的水轮机调节系统辨识

针对水轮机调节系统的复杂性、非线性和难以用明确数学模型表达的特点,建立了该系统的T-S模糊模型.考虑到T-S模糊模型的结构与参数间的密切关联性,提出基于混沌优化策略的结构和参数一体化辨识.该方法用混沌优化策略辨识模型的前件参数,用最小二乘法辨识模型后件参数,实现了模糊模型结构的自适应优化.试验结果表明,该T-S辨识模型具有较高的辨识精度及较强的泛化能力,实现了水轮机调节系统的有效辨识.     

一种基于改进FCM划分算法的T—S模型辨识

鉴于以往T—S模型建模过程中,在模糊划分上存在主观性的差异,提出了一种基于改进模糊C-均值算法的模糊划分方法,使划分结果尽可能地依赖于原始数据的分布情况,进而将该模糊划分算法用于多输入单输出非线性系统的基于T—S模型模糊辨识。在用该方法对多参量水质评价系统进行基于T—S模型模糊辨识建模时,取得了较好的验证效果。该研究结果表明,基于改进模糊C-均值划分算法的T—S模型辨识能在模糊综合评价与决策等应用领域中取得较好的应用效果。     

基于遗传算法的广义T-S模糊模型预测函数控制

提出了一种基于遗传算法的广义T-S模糊模型预测函数控制算法。首先利用减法聚类确定隶属度函数中心和模糊规则数,然后利用遗传算法同时对广义T-S模型的其他前提参数和结论参数进行辨识,并进行全局寻优。最后将本文提出的算法应用在具有强非线性特性的pH中和过程中。仿真结果表明:本文算法具有较小的超调和较好的跟踪能力。     

基于微粒群优化算法的T-S模糊建模

在传统T-S模糊模型的基础上,提出一种高次多项式T-S模糊辨识模型.将传统T-S模型规则后件中的线性模型用简单多项式模型代替,并进一步利用微粒群优化算法辨识规则后件参数.数值仿真表明:用该方案辨识得到的T-S模糊模型同传统的具有线性后件的T-S模型相比,能够显著减少模型规则条数而保持辨识精度不变,同时辨识时间也相应地缩短;且随着输入变量个数的增加,这一优势将更加明显.     

电厂主汽温的模糊逆控制

采用模糊辨识的方法建立了电厂主汽温系统的T-S模糊逆模型.该模型的前提结构采用模糊均值聚类方法辨识,结论参数由最小二乘法辨识,并结合最小均方根算法在线调节逆模型,将其作为系统控制器,以解决电厂主汽温系统的大惯性、大延迟的动态特性.仿真结果表明,该方法可以提高电厂主汽温系统的鲁棒性和动态稳定性.     

Predicting the martensite transformation start-temperature of low alloy steel based on fuzzy identification

A method of fuzzy identification based on T-S fuzzy model was proposed for predicting temperature Ms from chemical composition, austenitizing temperature and time for low alloy steel. The degree of membership of each sample was calculated with fuzzy clustering algorithm. Kalman filtering was used to identify the consequent parameters. Compared with the results obtained by empirical models based on the same data, the results by the fuzzy method showed good precision. The accuracy of the fuzzy model is almost 6 times higher than that of the best empirical model. The influence of alloying elements, austenitizing temperature and time on Ms was analyzed quantitatively by using the fuzzy model. It is shown that there exists a nonlinear relationship between the contents of alloying elements in steels and their Ms, and the effects of austenitizing temperature and time on Ms temperature cannot be neglected.