基于T-S模糊模型的离散混沌系统变结构控制

研究了离散混沌系统模糊变结构控制问题.采用T-S模糊模型描述离散混沌系统,将离散混沌系统模糊化为局部线性模型.依据Lyapunov稳定性定理和线性系统变结构控制趋近律设计方法,设计了一种新型的离散变结构控制器,该控制器不仅能保证局部线性模型渐近稳定,而且能确保模糊动态模型全局渐近稳定.利用Matlab对确定Henon系统和不确定Henon系统进行数值仿真,结果表明所设计的控制器不但有效,而且具备很强的鲁棒性.     

T-S模糊模型建模方法研究

在总结非线性建模经验的基础上，给出了一种建立精确且运行速度快的T-S模型的方法．首先,为了提高运行速度，用聚类的方法减少模糊规则的数目，并确定每个规则中数据的数目．然后，通过回归最小二乘法初步确定T-S模型规则中的状态矩阵的参数．最后，通过梯度下降方法，精确确定T-S模糊模型的所有参数．仿真实例证明了此方法的有效性．     

基于SG的Boost变换器T-S模糊建模与控制

针对Boost变换器的非线性特性,基于分段线性电子电路仿真(PLECS)软件建立了电感电流连续状态下Boost变换器的仿真模型,采用T-S模糊控制方法设计了控制器,提出了一种用SG对Boost变换器控制器实现的新方法,并分析了负载及电源电压变动下的控制性能.仿真结果表明PLECS建模的正确性和T-S模糊控制器优越性,且验证System Generator设计开发的有效性.     

基于新模糊系统与T-S模糊系统的比较与研究

构造了一类新的模糊系统并应用它对非线性系统进行了辨识,而对新的模糊系统的性能作必要的分析研究。针对该系统进行分析,并将其与T-S模糊系统作比较,得出相关结论。     

基于T-S模糊模型的神经网络的系统辨识

基于T-S模糊模型,提出了利用神经网络实现非线性系统的辨识。首先,利用一种无监督的聚类算法分析输入输出数据生成初始的结构模型,确定系统的模糊空间和模糊规则数,构造神经网络辨识模型前提参数,使前提参数自适应变化,有较好的自学习能力和优化能力,采用最小二乘法取得结论参数。仿真结果验证了该方法是有效和可行的。     

T-S模糊神经网络应用于变参数系统的控制研究

针对基于模型的传统控制策略在线性时变系统中的应用受到系统的时变性和不确定性限制,通常难以获得理想的控制性能这一问题,提出了线性时变系统的一种变参数系统模型。该模型具有有界性和不确定性特点,利用模糊神经网络具有的自学习能力强、模型依赖性小以及鲁棒性强的优点,提出一种基于遗传算法的T-S模糊神经网络控制器对其进行控制研究,并通过仿真实验证明了该模糊神经网络控制器对变参数系统控制的可行性与有效性,为线性时变系统的控制问题提供了一种新思路。     

T-S模糊广义系统研究综述

对目前T-S模糊广义系统的研究成果加以总结. 主要讨论了T-S模糊广义系统的分析、综合与应用的问题, 并对这一研究领域仍需解决的问题和未来的发展方向作了进一步的展望.     

基于改进模糊神经网络的软测量建模方法

提出了一种改进的模糊神经网络软测量建模方法，采用规则化的平均输出隶属度函数作为模糊基函数进行反模糊化运算；在训练网络时,部分参数采用Levenberg-Marquardt算法来训练，另一部分采用一阶梯度下降法．最后用该建模方法建立了聚合反应中熔融指数的软测量模型，并与一般的模糊神经网络软测量模型进行比较．结果表明改进的模糊神经网络对初始值的选择不敏感,具有很好的收敛性，同时还能达到指定的预测精度，很适合工程应用．     

基于T-S模型的非线性系统模糊聚类辨识方法

提出一种基于T-S模型的非线性系统模糊聚类辨识方法,对T-S模糊模型的前提部分和结论部分进行分开辨识,既简化该模型的辨识步骤,又提高它的泛化能力,同时也解决了T-S模糊模型随辨识系统复杂程度提高而规则数增大的问题。对一个非线性系统辨识的仿真结果验证了这种模糊聚类辨识方法的有效性。     

基于免疫原理的T-S模糊系统在线建模方法

基于人工免疫原理，提出一种在线构造T-S模糊系统的建模方法．该方法结合网格空间划分方法，以建模数据为抗原，模糊规则为抗体，采用人工免疫原理确定系统结构，并应用最小二乘方法估计线性规则后件参数．该方法具有简单、学习速度快、实时性强等特点，适合多输入模糊系统的在线学习和结构调整．     

基于T-S模糊模型的辨识算法

提出一种新的基于T－S模糊模型的辨识算法。该算法可分为2步,第1步是比较粗糙的辨识,按子空间的线性程度来划分输入空间,规则前件参数由于空间的中心和大小决定,规则后件线性参数由最小二乘法确定2步是模的精细调整,利用梯度下降法调节隶属函数和规则后件的线性参数,仿真实验说明了该算法的有效性。     

基于模糊观测器T-S模型和自适应模糊逻辑系统的一类非线性系统的H∞控制

针对一类非线性系统，把模糊T-S模型和自适应模糊逻辑系统两类模糊逻辑方式结合起来，提出了一种基于观测器的控制方案．首先，应用模糊T-S模型对非线性系统建模，设计观测器来观测系统状态；由线性矩阵不等式得到模糊模型的控制律．其次，应用自适应模糊逻辑系统作为补偿器来补偿建模误差．证明了闭环系统满足期望的性能．仿真结果表明了该方案的可行性．     

基于T-S模型的Chua混沌系统模糊变结构控制

针对Chua混沌系统这一复杂的非线性系统给出一种基于T-S模型的模糊变结构控制律设计。首先采用T-S模糊动态模型描述非线性系统,得到混沌系统的全局模糊模型;然后采用Lyapunov稳定性理论设计出确保模糊动态模型全局渐近稳定的变结构控制器,将模糊控制与成熟的线性变结构控制相结合,来解决非线性系统控制问题。仿真验证了方案的有效性。模糊控制器简单,规则少。     

基于改进KH-ANFIS 的海洋溶菌酶发酵过程软测量

针对海洋溶菌酶（Marine Lysozyme,ML）发酵过程菌体浓度在线检测难以实现,离线测量不能反映发酵过程当前变化等问题,提出了一种基于改进磷虾群—自适应模糊神经网络软测量（HLKH-ANFIS）建模方法。首先利用自适应莱维飞行策略对传统KH进行改进,从而提升算法的全局搜索能力;同时利用跳变技术（HOT）对KH算法位置更新公式进行改进,提高算法的局部寻优能力,然后利用改进的KH算法对自适应模糊神经网络反馈进行优化,改善其过度修正和计算量大的问题;最后建立基于HLKH-ANFIS的海洋溶菌酶发酵过程菌体浓度软测量预测模型,仿真分析表明：相较于KH-ANFIS预测模型,HLKH-ANFIS模型的误差较小,具有更好的预测能力,能够满足ML发酵关键参量的在线预测需要。     

基于T-S模糊模型的球磨机料位测量研究

针对采用振动法测量球磨机料位时,振动信号和料位之间存在非线性和时变性,采用传统方法存在测量精度低、稳定性差的问题,提出基于T-S模糊模型的球磨机料位表示和测量的方法.首先利用减法聚类对振动信号的功率谱特征值进行模糊前件辨识,确定模糊概念和规则数;再用最小二乘估计辨识后件参数;最后,利用模糊推理方法实现球磨机料位的软测量.在小型球磨机上的试验结果验证了T-S模糊模型对球磨机料位测量的有效性,与传统方法相比,T-S模糊模型方法具有测量精度高、稳定性好的特点.     

基于互信息的软测量变量选择

针对软测量建模中的变量选择问题,提出了一种结合信息论中最大熵和互信息的方法。该方法采用最大熵原理,对软测量中各辅助变量和主导变量的概率分布进行估计,得到主导变量和各辅助变量间的互信息,这些互信息间接地反映了主导变量和各辅助变量间的相关性,包括线性相关和非线性相关。然后产生随机样本并计算和主导变量间的互信息,重复多次该过程就可以得到一个无关变量和主导变量间的互信息样本。用T检验寻找一个阈值作为判断相关性的标准。对于互信息小于阈值的变量作不相关变量处理,并结合测试效果筛选出最佳的软测量辅助变量。仿真结果证明,基于互信息的软测量变量选择方法具有直观、简单实用和可靠性高的优点,并且有效地改善了模型的估计精度。     

混沌范德玻—杜芬系统的T—S模糊控制

针对混沌ADVP（范德玻—杜芬）系统,进行了T-S模糊建模和模糊控制器设计,实现了系统的稳定。在用T-S模糊模型精确重构系统结构的基础上,利用反馈同步思想和极点配置方法,基于并行分布补偿（PDC）技术,进行了控制器设计。整个设计过程只需在模糊模型基础上作极点配置,简化了计算,得到了简单且易实现的控制器。仿真表明,受控系统能够快速达到收敛,验证了方法的有效性。     

基于T-S模糊模型的采样系统鲁棒耗散控制

研究基于T-S (Takagi-Sugeno)模糊模型的采样控制系统鲁棒耗散控制问题. 利用2阶B-L (Bessel-Legendre)不等式和整个采样间隔 $\left[ {{t_k},{t_{k + 1}}} \right)$的特征信息, 提出一个基于B-L不等式的双边时间相关不连续L-K (Lyapunov-Krasovskii)泛函. 使用提出的L-K泛函和改进的自由矩阵不等式, 建立了确保系统严格($\mathcal{Q}$, $\mathcal{S}$, $\mathcal{R}$)-$\gamma$-耗散的充分条件. 基于所得耗散条件, 给出了T-S模糊采样控制器的设计方法, 并用于处理卡车拖车的控制问题. 仿真结果表明所提出的控制器设计方法非常有效.