基于微粒群优化算法的T-S模糊模型辨识研究
IDENTIFICATION OF T-S FUZZY MODELS USING TECHNIQUES OF PARTICLE SWARM OPTIMIZATION ALGORITHM
摘 要
Abstract
目 录
绪 论
1.1 研究的背景和意义
1.2 模糊建模的发展过程及研究现状
1.2.1 Mamadani型模糊模型
1.2.2 模糊关系模型
1.2.3 T-S模糊模型
1.3 T-S模糊模型参数辨识
1.3.1 基于梯度学习的参数辨识
1.3.2 基于模糊神经网络的参数学习
1.3.3 应用遗传算法进行参数辨识与优化
1.4 T-S模型结构辨识
1.4.1 T-S模型输入变量的选择
1.4.2 输入变量的模糊划分
1.5 T-S模糊模型的规则简化
1.6 本文的主要内容和安排
1.6.1 本文的主要内容
1.6.2 本文的结构安排
第2章 微粒群优化算法
2.1 引言
2.2 群智能
2.3 微粒群优化算法
2.3.1 算法原理
2.3.2 算法流程
2.3.3 全局模型和局部模型
2.4 微粒群优化算法参数选取
2.5 微粒群优化算法与遗传算法的比较
2.6 本章小结
第3章 基于PSO的T-S模型后件参数优化
3.1 引言
3.2 多项式T-S模型
3.2.1 常规T-S模型
3.2.2 多项式T-S模型
3.3 基于PSO的后件参数辨识
3.3.1 前件隶属函数及其参数的确定
3.3.2 PSO辨识T-S模型后件参数
3.3.3 适应度函数的选取
3.4 仿真研究
3.4.1 非线性动态系统
3.4.2 Mackey-Glass混沌时间序列
3.4.3 Box-Jenkins煤气炉数据
3.5 本章小结
第4章 模糊噪声消除
4.1 引言
4.2 基于 T-S 模型的模糊非线性噪声消除
4.2.1 T-S模糊模型
4.2.2 非线性噪声消除
4.3 仿真研究
4.4 本章小结
第5章 基于PSO的T-S辨识模型结构优化
5.1 引言
5.2 基于PSO的T-S模型辨识
5.2.1 隶属函数形状的确定
5.2.2 T-S模型辨识
5.3 编码方案
5.3.1 隶属函数的完备性和语义性
5.3.2 隶属函数编码方法
5.4 仿真研究
5.4.1 T-S辨识模型建立
5.4.2 方案一辨识结果
5.4.3 方案二辨识结果
5.5 规则优化
5.5.1 问题的提出
5.5.2 基于领域的FIS和基于规则的FIS
5.5.3 规则的激活度
5.5.4 基于PSO的模糊规则简化算法
5.5.5 算法分析
5.5.6 仿真研究
5.6 本章小结
结 论
参考文献
攻读学位期间发表的学术论文
哈尔滨工业大学硕士学位论文原创性声明
哈尔滨工业大学硕士学位论文使用授权书
哈尔滨工业大学硕士学位涉密论文管理
致 谢