基于T-S模型的非線性系統(tǒng)模糊辨識方法研究.pdf

1、本文針對傳統(tǒng)FCM(Fuzzy c-means)算法對初始值設定敏感而影響聚類效果、訓練速度慢、在迭代時容易陷入局部極小等缺點，提出了將減法聚類和FCM算法相結合的方法用于T-S模糊模型結構的辨識。首先用減法聚類算法找到模糊聚類中心的迭代初值，然后再用FCM算法進行聚類的方法來提高聚類的收斂速度和聚類效果。接著采用最小二乘法進行結論參數(shù)的辨識，從而得到初始的T-S模糊模型，在此基礎上構造基于T-S模糊模型的神經(jīng)網(wǎng)絡結構來進行參數(shù)精調(diào)，取

2、得了比較滿意的效果。 由于最小二乘法屬于梯度法，存在容易陷入局部極小的缺點，且以往的模型的結構和參數(shù)是分開來進行優(yōu)化的，通常是兩個步驟反復交替無數(shù)次才能獲得最終的模型。為了進一步提高T-S模糊模型的辨識精度和收斂速度，達到全局最優(yōu)，本文還提出了一種新穎的基于全局收斂的遺傳算法(Genetic Algorithms)整體優(yōu)化模糊系統(tǒng)模型的方法。即將模型的結構和結論參數(shù)整體進行編碼，通過制定合理的編碼規(guī)則，選擇合適的遺傳算子，達到模