基于数据驱动的间歇过程模型研究

摘要

提出一种基于Lyapunov方法的全局收敛性参数学习算法,这种学习算法的特点是(1)通过利用改进的最近邻聚类算法,能够依据输入数据的分布灵活地划分不同的模糊集合,即将间歇过程的非线性模型在空间中合理的分成几个不同的区域,从而依据数据合理的调整模糊规则数,增强了区域分布的合理性;(2)避免了传统学习算法中学习参数采用试凑法和易陷入局部极小的缺点.因此,本章提出的算法具有较好的非线性逼近和参数自学习能力.仿真结果表明了该算法的有效性和模型的实用价值,可应用到间歇生产过程建模中.