基于一型规则自主构建二型TSK神经模糊系统方法设计

本文提出了一种使用一型模糊规则生成区间二型TSK(Takagi-Sugeno-Kang)神经模糊系统的新方法. 该方 法以训练数据集与使用自组织方法由该训练集训练生成的一型模糊系统为驱动,通过新型模糊系统前件类型转换 算法与规则参数自适应学习算法的训练,在不高于原一型系统模糊集合总数前提下,自主构建区间二型TSK神经模 糊系统.此外, 针对两种典型的多输入单输出和多输入多输出系统, 在3种不同强度的系统扰动场景下进行了对比仿 真实验. 实验结果表明, 在含有不同扰动状态系统的建模与辨识中本方法较于对比方法具有更加优异的性能.     

区间二型模糊子空间0阶TSK系统

人们倾向于使用少量的有代表性的特征来描述一条规则,而忽略极为次要的冗余的信息。经典的区间二型TSK(Takagi-Sugeno-Kang)模糊系统,在规则前件和后件部分会使用完整的数据特征空间,对于高维数据而言,易导致系统的复杂度增加和可解释性的损失。针对于此,提出了区间二型模糊子空间0阶TSK系统。在规则前件部分,使用模糊子空间聚类和网格划分相结合的方法生成稀疏的规整的规则中心,在规则后件部分,使用简化的0阶形式,从而得到规则语义更为简洁的区间二型模糊系统。在模拟和真实数据上的实验结果表明该方法分类效果良好,可解释性更好。     

基于Sugeno型神经模糊系统的交通流状态预测算法

从交通流状态的模糊特性出发,设计基于Sugeno型神经模糊系统的交通流状态预测算法.选择交通流状态的影响指标作为模糊推理系统的输入、交通流状态作为输出;据经验对输入、输出划分模糊子集,给出相应的隶属度函数并制定模糊规则;建立具有5层结构的神经模糊推理系统,利用神经网络优化调整模糊推理系统的隶属度函数和模糊规则.仿真实验表明,神经网络可直接优化模糊推理系统的隶属度函数,通过对连接权值的训练间接优化模糊规则,故Sugeno型神经模糊系统相比常规模糊系统具有更好的交通流状态预测性能.     

基于模糊子空间聚类的0 阶岭回归TSK 模糊系统

经典数据驱动型TSK模糊系统在利用高维数据训练模型时,由于规则前件采用的特征过多,导致规则的解释性和简洁性下降.对此,根据模糊子空间聚类算法的子空间特性,为TSK模型添加特征抽取机制,并进一步利用岭回归实现后件的学习,提出一种基于模糊子空间聚类的0阶岭回归TSK模型构建方法.该方法不仅能为规则抽取出重要子空间特征,而且可为不同规则抽取不同的特征.在模拟和真实数据集上的实验结果验证了所提出方法的优势.     

一类乘积型区间二型模糊控制器的解析结构

区间二型模糊控制器的降型算法需要使用迭代计算,是导致其解析结构推导困难的主要原因.针对乘积型区间二型模糊控制器,本文提出了一种新的解析结构推导方法.区间二型模糊控制器的配置为:三角形输入模糊集,一型输出模糊单值,集合中心法降型器,平均法解模糊器和基于乘积型"与"操作的规则前件.通过对比传统PID控制器的解析结构,证明了区间二型模糊控制器等效于两个PI(或PD)控制器之和.利用KM算法的迭代终止条件,提出了6步骤IC划分法,保证了激活子空间的正确划分.叠加各个子空间,即可得出全局IC划分图.为了避免重复求解符号数学方程,提出了IC边界线的直接定义法,改进了6步骤IC划分法的便利性.本文方法避开了降型算法的迭代计算,可以保证推导出区间二型模糊控制器的闭环解析表达式.     

基于训练空间重构的多模块TSK模糊系统

利用重构训练样本空间的手段,提出一种多训练模块Takagi-Sugeno-Kang （TSK）模糊分类器H-TSK-FS.它具有良好的分类性能和较高的可解释性,可以解决现有层次模糊分类器中间层输出和模糊规则难以解释的难题.为了实现良好的分类性能,H-TSK-FS由多个优化零阶TSK模糊分类器组成.这些零阶TSK模糊分类器内部采用一种巧妙的训练方式.原始训练样本、上一层训练样本中的部分样本点以及所有已训练层中最逼近真实值的部分决策信息均被投影到当前层训练模块中,并构成其输入空间.通过这种训练方式,前层的训练结果对后层的训练起到引导和控制作用.这种随机选取样本点、在一定范围内随机选取训练特征的手段可以打开原始输入空间的流形结构,保证较好或相当的分类性能.另外,该研究主要针对少量样本点且训练特征数不是很大的数据集.在设计每个训练模块时采用极限学习机获取模糊规则后件参数.对于每个中间训练层,采用短规则表达知识.每条模糊规则则通过约束方式确定不固定的输入特征以及高斯隶属函数,目的是保证所选输入特征具有高可解释性.真实数据集和应用案例实验结果表明,H-TSK-FS具有良好的分类性能和高可解释性.     

基于模糊划分和支持向量机的TSK模糊系统

为了提高模糊系统处理高维问题的推广能力与鲁棒性能,提出将模糊聚类和支持向量机算法结合起来构造TSK模糊系统的算法.首先运用模糊聚类算法对输入空间进行划分,确定模糊规则前件的隶属函数.然后用支持向量机算法确定模糊规则的后件参数.该支持向量机的核函数是由模糊规则前件的隶属函数构造的,并且是Mercer核.在3个数据集的实验结果表明,与TSK模糊系统的传统算法和支持向量机相比较,本文算法具有更好的推广能力和鲁棒性.     

贝叶斯L2型TSK模糊系统

针对传统Takagi-Sugeno-Kan(TSK)模糊系统处理大规模数据时间代价较高的问题,提出一种基于概率模型框架的L2型TSK模糊系统建模策略,建立具有处理大规模数据能力的贝叶斯L2型TSK模糊系统(B-TSK-FS).具体地,基于L2型TSK模糊系统的输出误差概率化表示,对系统前后件参数联合学习,提高系统的泛化能力.另外,引入狄利克雷先验分布函数,对模糊隶属度稀疏化表示,实现样本的压缩,降低运算时间.在模拟和真实数据集上的实验结果验证了所提出模糊系统的优势.     

二型Takagi-Sugeno-Kang模糊模型和不确定高斯混合模型的等价性

不确定的高斯混合模型和二型Takagi-Sugeno-Kang(TSK)模糊模型之间的对应关系被建立: 任何一个不确定的高斯混合模型都唯一对应着一个二型TSK模糊系统, 不确定的高斯混合模型的条件均值和二型TSK模糊 系统的输出是等价的. 基于此, 一种设计二型模糊系统的新方法被提出: 通过建立不确定的高斯混合模型确定二型TSK模糊系统, 即用概率统计的方法设计二型模糊系统. 仿真实验结果表明利用不确定高斯混合模型设计的二型模糊系统比其它模型具有更强的抗噪性和更快的速度.     

输出约束的有限时间自适应区间二型模糊输出反馈PMSM伺服控制

针对永磁同步电机驱动的伺服系统在不确定性摩擦和未知负载的影响下难以达到高精度的控制效果,提出一种基于区间二型模糊系统的带有输出约束的有限时间自适应输出反馈控制方案.首先,构建一个基于非线性扰动观测器的区间二型模糊状态观测器,分别完成对于未知扰动和速度的估计,区间二型模糊系统完成对于非线性摩擦的逼近;然后,在此基础上,结合滤波误差补偿机制和有限时间技术,引入障碍Lyapunov函数和反步控制技术设计输出约束的自适应区间二型模糊输出反馈控制器;最后,根据Lyapunov稳定性理论提出严格的稳定性分析,保证闭环系统的所有信号均是有限时间内有界的,并通过数值仿真和实验验证了所提出方法的有效性.     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器.该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练.能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则.通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器时二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度.     

有混合数据输入的自适应模糊神经推理系统

现有数据建模方法大多依赖于定量的数值信息,而对于数值与分类混合输入的数据建模问题往往根据分类变量组合建立多个子模型,当有多个分类变量输入时易出现子模型数据分布不均匀、训练耗时长等问题.针对上述问题,提出一种具有混合数据输入的自适应模糊神经推理系统模型,在自适应模糊推理系统的基础上,引入激励强度转移矩阵和结论影响矩阵,采用基于高氏距离的减法聚类辨识模型结构,通过混合学习算法训练模型参数,使数值与分类混合数据对模糊规则的前后件参数同时产生作用,共同影响模型输出.仿真实验分析了分类数据对模型规则后件的作用以及结构辨识算法对模糊规则数的影响,与其他几种混合数据建模方法对比表明本文所提出的模型具有较高的预测精度和计算效率.     

基于改进QPSO的两轮移动机器人区间二型模糊逻辑控制

以两轮移动机器人(TWMR)为对象,针对机器人的非线性模型分别设计控制机器人平衡和位置的区间二型模糊逻辑控制器(IT2 FLC).针对区间二型模糊规则中参数难以设定的问题,通过改进的量子粒子群算法(LTQPSO)优化区间二型模糊集参数,并给出优化算法的流程图.针对区间二型模糊逻辑控制器和一型模糊逻辑控制器(T1 FLC)对平衡和位置的控制效果进行对比.进一步考虑质量不确定和位置扰动对两种控制器控制效果的影响.仿真结果表明,IT2 FLC可以有效地达到设定的控制目标,与T1 FLC相比,IT2 FLC拥有更好的处理不确定性的能力以及更强的抗扰动能力.     

基于密度聚类的神经模糊系统建模算法

神经模糊系统经常被用来对非线性系统建模,并能取得很好的效果.以往的模糊系统建模方法存在着输入空间划分个数难以确定和规则冗余的问题,这些问题阻碍了模糊系统的应用.基于动态阈值DENCLUE和相似规则合并的神经模糊系统建模算法DDTSRM(DENCLUE using a dynamic threshold and similar rules merging),首先在DENCLUE算法中使用动态阈值来合并密度吸引子,得到DDT算法.DDTSRM利用DDT算法不依赖初始参数的特点,解决了输入空间划分个数难以确定的问题.因为DDT算法可以得到任意形状和任意密度的聚类结果的特性,所以提高了模糊系统模型的准确性.辨识出模型的初始结构后,DDTSRM通过计算模糊集合之间的相似度来减少规则冗余,使模糊系统模型结构得到优化.最后利用BP算法对系统模型进行训练,进而提高系统的建模精度.以S-Y模糊系统模型为原型,在两输入一输出的非线性函数和Box-Jenkins数据上的仿真实验证明了DDTSRM算法在神经模糊系统建模应用的有效性,能够取得精确的建模效果.     

一种线性化模糊内模自适应控制算法

针对非线性对象，提出一种线性化模糊内模自适应控制算法。该算法以一组模糊规则作为非线性对象内部模型，一条模糊规则表示一个局部线性系统；根据对象输入与输出测量值，利用TSK建模方法在线辨识局部模糊内部模型；同时依据辨识模型设计局部H2最优模糊控制规则，所有规则构成H2最优模糊控制器。仿真实验显示：该算法适用于非线性对象的控制，具有较好的鲁棒性和抗干扰能力。     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器。该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器对二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度。     

基于中心型TSK模糊模型的分层模糊系统

模糊系统随着输入维数的增加,其中模糊规则和辨识参数的数量将按指数级增长,针对这一问题,采用分层模糊系统是一种很好的解决方法,但分层模糊系统中各层的辨识变量没有明确的物理含义,无法进行合理的模糊化设计和解释。基于一种分层模糊系统,引用中心性TSK模糊系统思想,从而构造了一种新型的模糊系统。这种新型模糊系统保留了分层模糊系统的结构优势,极大地减少了模糊系统的模糊规则数量和辨识参数数量,又能对用到的内部参数进行很好的解释。并通过实例仿真表明基于中心型TSK模糊模型的分层模糊系统具有较好的逼近性能和更简单的结构。     

并行集成具有高可解释的TSK模糊分类器

针对分层Takagi-Sugeno-Kang(TSK)模糊分类器可解释性差,以及当增加或删除一个TSK模糊子分类器时Boosting模糊分类器需要重新训练所有TSK模糊子分类器等问题,提出一种并行集成具有高可解释的TSK模糊分类器EP-Q-TSK.该集成模糊分类器每个TSK模糊子分类器可以使用最小学习机(LLM)被并行地快速构建.作为一种新的集成学习方式,该分类器利用每个TSK模糊子分类器的增量输出来扩展原始验证数据空间,然后采用经典的模糊聚类算法FCM获取一系列代表性中心点,最后利用KNN对测试数据进行分类.在标准UCI数据集上,分别从分类性能和可解释性两方面验证了EP-Q-TSK的有效性.     

基于零代价函数神经网络的神经-模糊系统与应用

以洗衣机的控制对象,提出了一种神经模糊系统,对其进行建模和控制.根据人类专家的经验提取出来的语言规则,置于模糊逻辑系统之中,并引入线性隶属函数将这些模糊规则转化成数值.这些数值(输入、输出样本对)用来作为神经网络的训练样本.为了改善洗衣机的性能,采用的是基于零代价函数的神经网络训练算法,因此,神经网络的输出数据可以转换成模糊规则,而不存在误差.展望了神经模糊系统方法的发展方向和在洗衣机中的应用.     

一种能处理定性参数输入的推广模糊神经网络软测量建模方法

针对生产过程中存在多种类属型数据和混合型数据,而大多数软测量方法只能处理数值型数据的问题,提出了一种基于粗糙集方法的推广模糊神经网络软测量建模方法,该方法既可以接受定量参数输入,也可以接受定性参数输入.首先建立模糊-清晰混合规则的定义,对具有混合类型属性的样本集进行离散化处理后,利用粗糙集的约简算法进行规则提取,获得最小决策集.由得到的混合决策规则构建推广模糊神经网络,使用样本集训练网络参数.最后将该方法应用于蒸发器的污垢热阻值估计,取得了良好的效果.