T-S模型及其在內(nèi)?？刂品椒ㄖ械膽?yīng)用研究.pdf

1、工業(yè)過程大多數(shù)系統(tǒng)是非線性系統(tǒng)，傳統(tǒng)線性系統(tǒng)理論的應(yīng)用受到了很大的限制，因此非線性系統(tǒng)的建模和控制成為控制領(lǐng)域研究的主要內(nèi)容之一。對于非線性系統(tǒng)的建模，模糊建模方法是一種良好的建模工具，其中T-S模型由模糊推理和局部線性模型組成，適合于表達(dá)結(jié)構(gòu)知識，不需要反模糊化處理，表現(xiàn)出了對非線性系統(tǒng)的良好逼近特性，因而引起人們的廣泛關(guān)注。對于非線性系統(tǒng)的控制，內(nèi)模控制方法由于設(shè)計(jì)簡單、跟蹤性能好、魯棒性強(qiáng)等特點(diǎn)一直受到控制界的重視。本文將模糊系統(tǒng)

2、建模方法和內(nèi)?？刂品椒ㄏ嘟Y(jié)合，研究了基于T-S模型的非線性系統(tǒng)控制問題。
　　首先，研究了非線性系統(tǒng)的T-S模型結(jié)構(gòu)。使用模糊C-均值(FCM)算法和最小二乘法建立了非線性系統(tǒng)T-S模型，與基于混合型pi-sigma神經(jīng)網(wǎng)絡(luò)的系統(tǒng)模型相比，具有較高的建模精度。
　　其次，研究了基于自適應(yīng)遺傳算法的T-S模型辨識方法，用自適應(yīng)遺傳算法同時對T-S模型的前提參數(shù)和結(jié)論參數(shù)進(jìn)行尋優(yōu)，克服了FCM算法和最小二乘法相結(jié)合進(jìn)行參數(shù)辨識易

3、陷入局部極小的缺陷，提高了辨識精度。
　　再次，針對基于自適應(yīng)遺傳算法的T-S模型辨識方法中收斂速度較慢的不足，研究了基于改進(jìn)的微粒群優(yōu)化算法的T-S模型辨識方法。用改進(jìn)的微粒群優(yōu)化算法同時優(yōu)化前提參數(shù)和結(jié)論參數(shù)，有效地加快了收斂速度，提高了建模精度。
　　最后，基于內(nèi)?？刂圃?，針對一類非線性系統(tǒng)，給出了基于T-S模型的非線性系統(tǒng)內(nèi)模控制方法，建立了非線性系統(tǒng)的T-S模型及其逆模型，克服了非線性系統(tǒng)內(nèi)?？刂浦械碾y以建立精確