| 【中文题名】 | 基于T-S模型的模糊辨识方法及其应用研究 |
| 【英文题名】 | Study on Fuzzy Identification Methods Based on T-S Models and Their Application |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-7-5 |
| 【中关键词】 | 模糊辨识,T-S模型,隶属函数,噪声消除,模糊聚类,混沌预测 |
| 【英关键词】 | Fuzzy identification,T-S model,Fuzzy clustering,Membership function,Noise cancellation,Chaotic prediction, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>自动化系统理论>> |
| 【论文摘要】 | 由于传统方法不能有效地对复杂和不确定系统进行建模,因此需要寻找一种能够描述非线性系统的全局函数或解析结构。查德(L.A.Zadeh)提出一种有效的方法来描述不能用精确数学模型表达的复杂或病态系统。但由于非线性系统的复杂性和模糊系统是一个年轻的领域,有很多尚待解决的问题。本文紧紧围绕着非线性系统模糊建模和辨识方法展开讨论和研究。
从数据中辨识模糊系统的一个实际问题是隶属函数的选择和调整。本文主要研究三种常用的隶属函数(三角形、高斯型和模糊聚类)对模型描述性能的影响。指出不同隶属函数对系统逼近性能的影响,为合理选择隶属函数提供了依据。
考虑到噪声使系统很难精确建模的问题,首先提出了一种无需噪声先验知识,通过基于T-S模型的非线性噪声消除(NNC)系统来逼近未知的噪声传输函数,从而消除噪声的建模方法;其次基于可信度模糊C均值算法(CFCM)提出一种新的模糊去噪方法,由于考虑了可信度,本算法比其它的算法抗干扰性强,并可以在剔除噪声点之后得到最贴近的聚类中心。上述两种算法均通过仿真实例进行了验证。
针对一般的聚类算法在确定聚类中心时都采用任意初始化,只能得到一个局部最优结果的问题,本文提出了两种基于递阶模糊... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-11 |
|
第1章 绪论 |
11-23 |
|
1.1 研究的目的和意义 |
11-13 |
|
1.2 模糊建模的发展过程及研究现状 |
13-15 |
|
1.2.1 语言模糊模型 |
13 |
|
1.2.2 模糊关系模型 |
13-14 |
|
1.2.3 Takagi-Sugeno 模型 |
14-15 |
|
1.3 模糊模型结构辨识方法 |
15-17 |
|
1.3.1 系统输入变量的选择 |
15-16 |
|
1.3.2 输入空间的模糊划分 |
16-17 |
|
1.4 模糊模型参数辨识方法 |
17-19 |
|
1.4.1 基于梯度学习的参数辨识 |
18 |
|
1.4.2 基于模糊神经网络的参数学习 |
18 |
|
1.4.3 应用遗传算法进行参数辨识与优化 |
18-19 |
|
1.5 模糊辨识中的其它问题 |
19-20 |
|
1.5.1 衡量非线性建模方法好坏的几个方面 |
19 |
|
1.5.2 模糊辨识算法在实际系统应用中的几个问题 |
19-20 |
|
1.5.3 模糊模型的品质指标 |
20 |
|
1.6 模糊辨识领域尚待解决的问题 |
20-21 |
|
1.7 本文的主要内容和安排 |
21-23 |
|
第2章 模糊辨识方法的基础理论 |
23-29 |
|
2.1 引言 |
23 |
|
2.2 模糊逻辑系统中的基本概念 |
23-26 |
|
2.3 模糊逻辑系统的分类 |
26-28 |
|
2.3.1 纯模糊逻辑系统 |
26-27 |
|
2.3.2 高木—关野模糊系统 |
27-28 |
|
2.3.3 具有模糊产生器和模糊消除器的模糊逻辑系统 |
28 |
|
2.4 本章小结 |
28-29 |
|
第3章 隶属函数对模糊模型描述性能的影响 |
29-39 |
|
3.1 引言 |
29 |
|
3.2 基于T-S 模型的模糊辨识 |
29-38 |
|
3.2.1 模糊模型 |
29-30 |
|
3.2.2 隶属函数的确定 |
30-34 |
|
3.2.3 结论参数辨识 |
34-35 |
|
3.2.4 仿真研究 |
35-38 |
|
3.3 本章小结 |
38-39 |
|
第4章 基于模糊模型的非线性系统去噪声建模 |
39-55 |
|
4.1 引言 |
39-40 |
|
4.2 基于T-S 模型的模糊非线性噪声消除 |
40-45 |
|
4.2.1 问题的提出 |
40 |
|
4.2.2 模糊模型 |
40-41 |
|
4.2.3 参数辨识 |
41-42 |
|
4.2.4 非线性噪声消除 |
42-43 |
|
4.2.5 仿真实例 |
43-45 |
|
4.3 基于可信度模糊C 均值算法的去噪声建模方法 |
45-53 |
|
4.3.1 问题的提出 |
45-46 |
|
4.3.2 模糊C 均值算法 |
46-48 |
|
4.3.3 可信度模糊C 均值算法 |
48-51 |
|
4.3.4 建模方法 |
51 |
|
4.3.5 仿真实例 |
51-53 |
|
4.4 本章小结 |
53-55 |
|
第5章 基于递阶模糊聚类的模糊辨识方法 |
55-68 |
|
5.1 引言 |
55 |
|
5.2 基于递阶模糊聚类的非线性模糊辨识方法 |
55-61 |
|
5.2.1 问题的提出 |
55-56 |
|
5.2.2 模糊模型 |
56 |
|
5.2.3 输入空间初始划分 |
56-57 |
|
5.2.4 优化输入空间模糊划分 |
57-58 |
|
5.2.5 系统参数辨识 |
58-59 |
|
5.2.6 仿真实例 |
59-61 |
|
5.3 基于递阶模糊聚类的混沌时间序列预测 |
61-66 |
|
5.3.1 问题的提出 |
61-62 |
|
5.3.2 初始化结论参数 |
62 |
|
5.3.3 优化结论参数 |
62-63 |
|
5.3.4 Mackey-Glass 混沌时间序列建模与预测 |
63-66 |
|
5.4 本章小结 |
66-68 |
|
结论 |
68-70 |
|
参考文献 |
70-77 |
|
攻读硕士学位期间承担的科研任务与主要成果 |
77-78 |
|
致谢 |
78-79 |
|
作者简介 |
79 |
|
| 【DOI】 | LunWen.ID:2.2008.387762 |
