一类模型未知系统的辨识和混沌化控制

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性, 将得到的模糊神经网络辨识模型应用于逆系统方法中, 实现了一类模型未知非混沌系统的混沌化控制. 该方法不依赖于被控对象的数学模型, 就可以进行有效控制. 研究了模糊神经网络辨识误差对控制精度的影响, 证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差. 针对连续和离散两类系统的仿真研究证明了该方法的有效性.     

非线性系统第一类模糊辨识器的设计及仿真

该文针对非线性系统的辨识问题,给出了第一类模糊辨识器的设计方案,该方案通过引入最优逼近误差的自适应律参数项,实时地调整参数来实现对非线性系统的辨识.采用此方法可使辨识器模型的输出很快收敛到真实系统,且辨识误差渐进收敛到零.该文根据此算法编写了便于仿真实现的MATLAB程序,且给出了此程序的解算流程图.最后对Rossler混沌系统的实例进行仿真,绘制了系统真实曲线和辨识器模型输出的估计值曲线,仿真结果说明了该方法在非线性系统辨识中的使用性和可行性.     

利用调制函数法的模糊模型参数辨识

利用调制函数法辨识非线性连续系统的模糊模型参数.系统的动力学微分方程存在微分项,通过输入输出数据辨识模糊模型参数时不能忽略扰动的影响,因此辨识模糊模型参数比较困难.利用调制函数法可以消除微分项,通过无微分项的联立方程的求解容易进行模糊模型参数辨识.几个非线性连续系统的仿真实验验证了所设计的利用调制函数法的模糊模型参数辨识的正确性和有效性.     

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.     

用模糊模型在线辨识非线性系统

讨论用模糊方法实现非线性系统在线辨识问题.首先给出了简化的模糊规则表达 方法及其相应的自适应模糊推理,在此基础上给出了模糊模型参数在线辨识算法.最后对 非线性模型进行在线辨识,验证了本文提出的模糊模型及其在线辨识算法.     

模糊基函数网络辨识算法稳定性*

模糊基函数网络能很好地以“ｉｆ．．．ｔｈｅｎ．．．”形式利用专家的知识，且以这种模型进行辨识，其辨识误差方程与辩识参数成线性关系，因而非常适用于实时辩识系统中，本文研究了这种网络模型辨识的持续激励条件和基于梯度法的辨识系统稳定性，给出它们存在的充要条件。     

复杂系统的递阶模糊辨识

针对Takagi_Sugeno模糊模型 (T_S模型 )严重的维数灾问题, 借鉴GMDH算法, 提出了一种新的复杂系统递阶模糊辨识方法. 本文首先详细描述了由两输入变量的特殊T_S模型所组成的递阶模糊模型 ;然后提出了具体的辨识该递阶模糊模型的方法. 该方法的特点是 :a)在结构辨识阶段, 用FCM模糊聚类方法评价系统中每个输入变量的重要性, 以便构造合理的递阶模糊模型 ;b)预先合理地确定了所要辨识的参数的初始值, 用扩展卡尔曼滤波方法可很快地得到这些参数. 最后, 给出的仿真实例说明了本文辨识方法的有     

基于神经网络的非线性气动弹性系统辨识

由于气动弹性系统的非线性和不确定性的存在,传统的辨识方法在工程中难以满足。针对这种情况提出了一种模糊小波神经网络(FWNN)辨识方法。首先,采用区间2型模糊逻辑系统和小波神经网络结合构建FWNN网络结构,能够较好地逼近具有不确定性的非线性AE系统;然后,考虑到辨识的快速性和准确性,系统采用一组模糊IF-THEN规则,对模糊后件采用单隐层小波神经网络结构;参数学习采用基于Lyapunov稳定性的滑模学习算法,保证系统存在参数不确定的情况下,辨识误差能更快地收敛。最后,对结构非线性二元翼段进行仿真研究,验证了该模型的有效性。     

非线性系统辨识中模糊模型参数收敛问题的进一步研究

对于使用标准的Mamdani 型模糊系统及正交投影参数调整算法进行非线性系统辨识，基于模糊模型参数的估计值收敛到其真实值所需的持续激励条件，给出了适用于非线性移动平均模型和二阶非线性自回归移动平均模型系统辨识的持续激励输入信号设计的几个算法.     

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。     

基于子空间划分的模糊系统模型辨识

提出了基于子空间划分的模糊系统模型（SPFS）,并给出一种针对SPSF的白适应模型辨识方法．应用遗传算法进行子空间划分方案的优化。降低了最大子空间的辨识误差,从而得到优化的模型辨识结果．理论分析和仿真计算证明了该模型的有效性．所提出的模型有助于缓解规则数爆炸问题．     

基于T S模型的模糊系统辨识方法综述*

模糊模型设计方法归结为两种,即语义驱动和数据驱动。数据驱动模型具有更好的性能,是目前研究的热点。模糊系统辨识是数据驱动下模糊系统建模的重要手段,辨识的优良直接影响系统建模的精度。模糊系统辨识可以分为两部分进行认识,即模糊系统结构辨识和参数辨识。回顾了近年来模糊系统辨识的理论和方法,如subtractive聚类、多分辨率自适应空间分解、SVM、核函数法、粒子群算法和并行遗传算法等。对各种算法原理、特点进行了介绍,对模糊系统辨识的发展进行了展望。     

基于T S模型的模糊系统辨识方法综述*

模糊模型设计方法归结为两种,即语义驱动和数据驱动。数据驱动模型具有更好的性能,是目前研究的热点。模糊系统辨识是数据驱动下模糊系统建模的重要手段,辨识的优良直接影响系统建模的精度。模糊系统辨识可以分为两部分进行认识,即模糊系统结构辨识和参数辨识。回顾了近年来模糊系统辨识的理论和方法,如subtractive聚类、多分辨率自适应空间分解、SVM、核函数法、粒子群算法和并行遗传算法等。对各种算法原理、特点进行了介绍,对模糊系统辨识的发展进行了展望。     

Sugeno模糊模型的辨识与控制

提出了一种新的Sugeno模糊模型辨识算法和对非线性系统进行并行化设计的方 法.在Sugeno模糊模型辨识中,应用模糊聚类方法可将其前提结构和结论参数的辨识分开进 行,减少了计算量;对于非线性系统的控制,Sugeno模糊模型实际上是动态系统的局部线性 化,可采用并行设计的方法设计控制器,然后通过模糊推理得到全局控制量.最后通过倒立摆 系统的控制说明了本文算法的有效性.     

一类非线性离散时间系统的模糊辨识

对一类非线性离散时间系统提出了模糊辨识方法,此方法用与未知参数向量成线性关系的模糊逻辑系统作为辨识模型,并通过自适应学习律对此模糊逻辑系统中的未知参数进行自适应调节,文中证明了此方法可使辨识误差收敛到原点的一个邻域内。仿真结果验证了此方法的有效性。     

An Indirect Adaptive Fuzzy Control Scheme for a Class of Nonlinear Systems

This paper presents an indirect adaptive control scheme, for a class of nonlinear systems in controller canonical form. Owing to the universal approximation property of a Takagi–Sugeno (T–S) fuzzy model, controller design is simplified by utilizing the T–S fuzzy model representation of a nonlinear system. An adaptation mechanism ensures that the estimator model asymptotically follow the actual T–S fuzzy model and thus removes the need of any a priori identification of the T–S fuzzy model of the system. The overall controller gain is a convex combination of the local linear gains which vary adaptively to ensure the convergence of the tracking error. Preliminary simulation results indicate the potential of the proposed method.     

基于改进遗传算法的非线性系统模糊辨识新方法

提出一种基于改进遗传算法和递推最小二乘的非线性模糊辨识新算法.该辨识方法包含结构辨识辨出和参数辨识,结构辨识即输入空间的模糊划分,采用具有自适应性的广义高斯隶属函数;参数辨识包含前提参数和结论参数,用基于动态比例变换的改进遗传算法优化高斯函数的前提参数,用递推最小二乘辨识模糊模型的结论参数.最后通过著名的Box-Jenkins煤气炉数据仿真(仿真环境:MATLAB 6.5,计算机主频2.4 GHz,内存512 MB),并根据输入变量个数和模糊规则数,得到均方误差以证明本文方法的辨识精度,将该文辨识方法与其他方法进行比较,验证了该方法辨识精度更高.     

Powerful and flexible fuzzy algorithm for nonlinear dynamic systemidentification

A new powerful and flexible fuzzy algorithm for nonlinear dynamic system identification is presented. It is based on the identification of the derivative of the system state, instead of the future system state. The membership functions of the underlying static fuzzy model are two-sided Gaussian functions and the learning algorithm is a hybrid-nested routine based on least-squares, quasi-Newton and simplex optimization methods. Moreover, a simple clustering algorithm based on an additional higher level fuzzy model is proposed. The application to the identification of the Mackey-Glass chaotic time series is presented and compared with previous results in terms of maximum error and nondimensional error index. Finally, the application to a test nonlinear dynamic system is presented to show the capabilities of the clustering algorithm. The obtained results show that the proposed algorithm can find wide application in practical problems, such as in nonlinear electronic circuit design     

基于支持向量机的TSK模糊模型辨识与控制

研究非线性系统TSK模糊模型的辨识与控制,利用TSK模型,可以将线性控制理论应用于非线性系统控制。基于支持向量机和递推最小二乘法,辨识出TSK模糊模型,并且通过遗传算法优化隶属度函数参数,最小化辨识误差。针对TSK模型进行控制,控制器包括两个部分：权重最大子系统反馈控制及其监督控制,监督控制保证了系统的稳定性。辨识和控制仿真结果证明了算法的有效性。