Takagi-Sugeno模糊模型的辨識方法研究.pdf

1、系統(tǒng)辨識是對輸入和輸出觀測數(shù)據(jù)的基礎上，在一類系統(tǒng)中確定一個與被辨識系統(tǒng)等價的系統(tǒng)。對于線性系統(tǒng)辨識的研究理論已經(jīng)趨于成熟，但是，在現(xiàn)實生活中，實際系統(tǒng)幾乎都是非線性系統(tǒng)。在對非線性系統(tǒng)做數(shù)學建模分析時則往往需要進行系統(tǒng)辨識，從而非線性系統(tǒng)辨識已經(jīng)成為了當今自動控制領域共同關注的課題。目前，在現(xiàn)有的各種非線性系統(tǒng)辨識方法里，Takagi-Sugeno(T-S)模糊模型可用少量的模糊規(guī)則生成復雜的非線性函數(shù)，這在處理多變量系統(tǒng)時能有效地減

2、少模糊規(guī)則個數(shù)，產(chǎn)生了巨大的優(yōu)越性。因此，對T-S模型的辨識顯得尤為重要。
　　差分進化算法是由Berkeley大學的Storn和Price于1995年提出的一種新的智能優(yōu)化算法。由于其結(jié)構(gòu)簡單、參數(shù)少、容易實現(xiàn)，因此，已被成功地應用到控制設計、控制工程、信號處理、模式識別、運籌學等諸多領域。本文給出了一種改進的差分進化算法，并將其應用于對T-S模型的參數(shù)辨識中。主要工作如下；
　　(1)總結(jié)和分析了模糊建模方法的研究現(xiàn)狀和

3、發(fā)展趨勢，重點詳述T-S模糊模型系統(tǒng)，又對基于模糊模型的非線性系統(tǒng)辨識的理論進行了歸納總結(jié)，同時提出研究的重點和難點。
　　(2)分析了標準差分進化算法的優(yōu)缺點，針對它的一些缺點，提出了一種改進差分進化算法。該算法同時利用自適應縮放因子和自適應變異算子改進了標準差分進化算法的變異操作部分，從而有效地克服了標準差分進化算法的過早收斂和不穩(wěn)定性等缺點。最后，在仿真中，與已有的方法進行了比較，仿真結(jié)果表明了該算法的可行性。
　　(