基于样本数据的模糊规则提取方法研究及其应用

摘要

模糊控制技术广泛应用于工业过程控制。模糊规则库的构建是模糊控制器设计的核心问题。模糊规则库的构建要基于对被控系统的理解，而这些信息主要来源于专家经验和样本数据。对于复杂系统，基于专家经验获取的模糊规则往往比较粗糙。因此，研究基于样本数据的模糊规则提取方法十分重要。本文提出了一种新的从样本数据中提取模糊规则的方法。该方法首先采用可能性模糊C-均值算法划分输入空间，得到模糊规则的前件部分，然后采用固定尺度最小二乘支持向量机确定规则的后件函数，结合输入变量的隶属度值，将各后件函数加权求和即可得到模糊控制器的输出。
　　本文的主要工作内容和创新点如下:
　　(1)针对构建模糊规则前件时通常所使用的模糊聚类算法容易受到噪声影响的问题，本文提出了一种采用可能性模糊C-均值聚类算法划分输入空间的方法。该算法根据隶属度值和典型值共同完成对数据的划分，可以降低噪声数据对聚类结果的影响，得到最佳聚类中心。
　　(2)本文提出了一种采用固定尺度最小二乘支持向量机来获取后件函数的方法。该算法可从样本数据中学习得到任意后件函数，它比支持向量机拥有更快的计算速度。基于该方法所得的模型拥有良好的稀疏性和较强的泛化能力。
　　(3)本文以某轧钢厂加热炉为研究对象，采用该对象的实际样本数据集进行实验分析与方法验证。实验结果表明，本文提出的方法能够有效地提取炉温模糊控制器的模糊规则。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外的研究进展

1．2．1 查表法及其改进算法

1．2．2 人工神经网络

1．2．3 遗传算法

1．2．4 基于后件函数辨识方法

1．3 本文主要内容

第2章 模糊控制的理论基础

2．1 模糊集合

2．2 模糊关系

2．3 模糊逻辑与模糊推理

2．4 解模糊判决方法

2．5 模糊控制系统

2．6 本章小结

第3章 基于样本数据的模糊规则提取方法

3．1 数据预处理

3．1．1 数据清洗

3．1．2 数据选择

3．1．3 数据转换

3．2 输入空间划分

3．2．1 格栅划分

3．2．2 基于聚类算法的划分

3．2．3 模糊C-均值算法

3．2．4 可能性C-均值算法

3．2．5 可能性模糊C-均值算法

3．2．6 仿真实验

3．3 计算输入变量隶属度值

3．4 后件函数辨识

3．4．1 支持向量机

3．4．2 最小二乘支持向量机

3．4．3 固定尺度最小二乘支持向量机

3．4．4 仿真实验

3．5 基于PFCM算法和FS-LSSVM的模糊控制器

3．6 仿真实验

3．6．1 仿真实验一

3．6．2 仿真实验二

3．7 本章小结

第4章 加热炉炉温模糊控制器的模糊规则提取

4．1 加热炉工况介绍

4．1．1 换热式连续推钢加热炉

4．1．2 加热炉结构

4．2 加热炉温度控制系统

4．2．1 原有软硬件组成和基本功能介绍

4．2．2 先进控制站的设计与部署

4．3 实验步骤

4．3．1 数据选取

4．3．2 数据预处理

4．3．3 模糊规则提取

4．3．4 实验总结

4．4 本章小结

第5章 总结与展望

5．1 本文的工作内容的总结

5．2 对未来研究展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果