基于模糊聚类多变量系统的模糊辨识方法

提出了一种基于模糊聚类和卡尔曼滤波方法的模糊辨识方法,该方法是基于模糊聚类,计算给定样本在各类中的隶属度,利用卡尔曼滤波器辨识模糊模型的结论参数,给出了详细算法和Ｂｏｘ－Ｊｅｎｋｉｎｓ数据的辨识结果。     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

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。     

基于规则选取和补偿运算的模糊系统建立方法

为了解决模糊系统建立过程中规则数目的选择问题,提出了一种模糊系统建立方法。该方法利用K均值法计算聚类中心,不需要预先给出聚类的数目,聚类的数目根据聚类准则函数的收敛性决定,同时在算法结构中引入补偿因子以增强算法的稳定性,再结合梯度下降法辨识后件参数,从而得到模糊系统。与传统的模糊系统建立方法进行比较,该方法提高了辨识精度且能自动生成模糊规则,避免了规则数目选取的盲目性。最后将该方法用于辨识单元机组的协调控制系统,仿真结果表明了该算法的有效性和快速性。     

基于改进T-S模型的热工过程模糊辨识算法

提出了一种实用的基于T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间进行划分,在此基础上利用递推最小二乘辨识算法建立一个热工过程的T-S模型。文中给出了熟知的Box-Jenkins数据的辨识结果,并将该方法应用于辨识单元机组的协调控制系统。     

一种基于改进聚类算法的模糊模型辨识

传统建模方法对于建立精确的存在多变量、强耦合、大时滞以及不确定性的非线性系统模型无能为力,从而难于精确表达复杂系统及实施整体优化控制.针对传统模糊C-均值聚类算法对初始值敏感及无法确定最优规则数的缺陷,提出了一种基于改进聚类算法的模糊辨识方法.它通过减法聚类和有效性函数确定初始聚类中心,然后采用一种全局模糊C-均值聚类算法寻找出最终聚类中心,并利用最近临域法确定合适的区域半径,最后通过递推最小二乘法建立系统的T-S模糊模型,对电阻炉温度系统进行仿真,说明本文所述方法的有效性.     

基于TS模型的非线性系统模糊辨识算法

对一类采样数据较均匀的非线性系统,提出一种基于TS模型的系统辨识算法.首先利用等分区间法对输入空间进行前提结构的划分,并根据所选定的隶属度函数确定每个输入变量在各个模糊子空间中的隶属度,然后利用卡尔曼滤波算法来辨识模型的后件参数.与模糊聚类等辨识算法相比,该算法计算量较小,适用于系统的在线辨识,仿真研究表明该算法具有较高的辨识精度.     

基于轮廓曲率和谱系聚类的大鼠体态自动识别

为了对行为实验中大鼠的体态进行自动识别分析，提出了一种基于轮廓曲率和谱系聚类的识别算法．应用图像处理技术从序列实验图像中分别提取出大鼠轮廓曲线，计算大鼠轮廓曲线的曲率函数及其频谱，并以频谱作为体态聚类和识别的特征矢量．应用谱系聚类方法构建每种大鼠体态特征矢量的子类聚类中心特征矢量．应用1319幅样本图像和10629幅测试图像对本算法进行了实验．结果表明对样本图像和测试图像的识别正确率分别为94.16%和89.58%，该算法可用于大鼠体态的自动识别及后续的行为分析．     

基于在线聚类法的药物疗效评价模型研究

构造了CD4与HIV变化率的评价函数,运用在线聚类法对评价函数值进行聚类,确定了各个标准的阈值,通过建立分类器,可进一步预测治疗效果.在求解模型时采用leader-follower聚类算法,该算法针对在线聚类的特点,只对与新到样本最相似的一个聚类中心进行调整,与该样本无关的其他类的性质得到了保留.实验数据表明,与传统聚类算法相比,该算法达到了可塑性与稳定性的平衡.     

运动状态下机器人关节面物理参数在线模糊辨识方法

利用模糊自动推理方法,提出了一种辨识运动状态下机器人关节面时变物理参数的方法。该方法是在原有模糊聚类法的基础上,推导出的在线自适应模糊推理算法,可应用在时变非线性系统参数在线辨识中。以三自由度单臂机器人为研究对象,建立了机器人运动状态下的动力学模型,利用该自适应模糊推理算法在线辨识此动力学模型中的机器人关节面时变物理参数。由于该方法采用局部估计算法,实验结果表明,该方法具有工程实用价值。     

在线聚类的网络流量识别

针对网络流量在线识别的难题,提出一种聚类算法和在线流量识别方案.以网络数据流的若干初始数据包作为子流,提取子流的统计特征,应用基于滤波器算法的属性相关性算法提取子流最佳特征子集,并提出基于密度的在线带噪声空间聚类算法对子流特征向量进行聚类,采用优势概率业务实现聚类和应用类型的映射.实验结果表明,该方案具备识别新应用类型和加密数据流的功能,且能实现在线的网络流量分类.     

基于自适应共振理论的结构损伤识别

目的基于自适应共振理论,提出一种基于ART2神经网络的结构损伤识别方法,以实现结构损伤识别的自主学习.方法采用一种改进算法来解决ART2方法中对输入矢量必须是非负实数的要求,并通过主成分分析方法对网络的输入矢量进行降维处理.结果通过对健康监测基准问题模型的计算表明,所采用的改进算法使得网络的输入扩展到整个实数域,且主成分分析方法有效地降低了输入矢量的维数,减少了网络的学习训练时间,从而提高了网络的泛化和判别决策能力.结论基于ART2神经网络的结构损伤识别方法具有自组织、反馈式增量学习机能,能够在不破坏原有记忆样本的情况下,学习新的样本,可以在较强噪声环境下快速准确地识别损伤,适宜于结构损伤的在线监测.     

基于模糊聚类建立模糊模型的新方法

为了实现自动建立Mamdani模糊模型,提出了一种基于局部数据密度的新方法.该方法采用局部近似隶属函数的模糊聚类算法对数据进行学习,从而挖掘出潜在的模糊规则集和隶属函数的参数,实现自动建立Mamdani模糊模型.在聚类时,不需要事先指定类的数目,确定类中心的同时能自动识别噪声,因此在建模时不需要做额外的去噪声处理.使用该方法对交通信息预测进行了仿真实验,结果表明本文提出的模糊建模方法行之有效.     

遗传算法-模糊聚类动态模糊神经网络辨识

针对非线性系统辨识特点,在剖析具有递归环节的T-S模糊神经网络结构的同时,提出了一种新型的3步设计优化方案,即非线性区域的线性划分、离线训练和在线辨识.将融合了模糊c-mean聚类(GA-FCM)(称为双群体并行聚类)算法引入到RTSFNN中,对非线性系统的输入输出空间进行聚类(线性划分),再在每个线性区域上建立ARMAX模型;利用GA实数编码,同时优化前件隶属函数的中心和宽度、递归增益及后件参数;在线时利用FCM在线分析输入数据特征,确定是否对现有划分进行改动,并利用GA迭代一定代数优化其他参数,直到误差满足要求为止.通过对非线性动态系统的辨识仿真,验证了所提出方法在训练时的寻优速度、训练误差及校验误差指标上均有很大优势.     

一种新的模糊神经元网络建模方法

基于零阶Ｔ－Ｓ模糊模型,本文指出了一种实用的输入输出的数据进行复杂系统的模糊神经元网络建模的方法,该方法的主要目的是解决模糊神经元网络中结构辨识的困难。 种所谡语言模型被用来寻找系统输入变量的最佳组合。     

用T-S模糊模型辨识160MW协调控制系统

首先按照启发性知识和复合型非线性优化方法相结合的综合方法求解出模糊模型结构,然后在最大模糊熵和损失函数定义的基础上推导出了一种模型后件参数辨识算法,并使用这种辨识算法得到了一个锅炉—汽轮机协调控制系统模糊模型。     

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。     

基于波浪理论和聚类小波包的股价波动预测

将波浪理论应用于价格、成交量特征样本序列选取,提出基于小波包能量值聚类特征提取与遗传神经网络相结合的股价预测模型．该模型采用小波包系数单支重构能量值空间分布表征价格波动本质,对能量点进行聚类以降低特征向量维数,将遗传算法与BP网络优势互补用于股价预测．对沪市股票上海汽车(600104)等进行的实证研究结果表明,该模型具有收敛速度快和预测精确度高的特点．