基于微粒群优化算法的T-S模糊模型辨识研究

摘要

T-S模糊辨识模型凭其强大的非线性逼近能力和简单的结构引起人们的极大关注，在系统辨识领域得到了非常广泛的研究与应用。目前，许多学者针对T-S模糊模型的结构和参数辨识做了大量的工作，取得了丰硕的成果。本文基于微粒群优化算法研究了T-S模糊模型的结构和参数辨识。
　　在常规T-S模型的基础上，提出了一种新的T-S模型——多项式T-S模型，它将常规T-S模型规则后件中的线性或仿射线性模型用简单多项式模型代替，并进一步利用微粒群优化算法辨识规则后件参数。数值仿真表明：同具有线性规则后件的T-S模糊模型相比，应用本文所提出的方案辨识得到的T-S模型具有在相同辨识精度下规则数目显著减少的优点，并且这一优势将随着模型输入变量的增加表现得更为突出。
　　考虑到很多实际系统因含有噪声而很难精确建模，将多项式T-S模糊模型应用于噪声消除领域，通过基于多项式T-S模型的非线性噪声消除系统来逼近未知的噪声传播函数，从而消除系统噪声。这种方法无需噪声的先验知识，仿真研究表明该方法可以成功地消除噪声。
　　在使用微粒群优化算法进行T-S模型后件参数优化的基础上，同时考虑前件隶属函数的形状参数优化，仿真研究表明这两者的结合使辨识模型的性能进一步提高。此外，本文还考虑了模型规则的简化问题，以规则的激活度作为判别标准，使模型的规则数具有可变性。

目录

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