基于T-S模型的非線性系統(tǒng)模糊辨識(shí)方法研究.pdf

1、本文針對(duì)傳統(tǒng)FCM(Fuzzy c-means)算法對(duì)初始值設(shè)定敏感而影響聚類效果、訓(xùn)練速度慢、在迭代時(shí)容易陷入局部極小等缺點(diǎn)，提出了將減法聚類和FCM算法相結(jié)合的方法用于T-S模糊模型結(jié)構(gòu)的辨識(shí)。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(jìn)行聚類的方法來(lái)提高聚類的收斂速度和聚類效果。接著采用最小二乘法進(jìn)行結(jié)論參數(shù)的辨識(shí)，從而得到初始的T-S模糊模型，在此基礎(chǔ)上構(gòu)造基于T-S模糊模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)進(jìn)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(diǎn)，且以往的模型的結(jié)構(gòu)和參數(shù)是分開(kāi)來(lái)進(jìn)行優(yōu)化的，通常是兩個(gè)步驟反復(fù)交替無(wú)數(shù)次才能獲得最終的模型。為了進(jìn)一步提高T-S模糊模型的辨識(shí)精度和收斂速度，達(dá)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(jié)構(gòu)和結(jié)論參數(shù)整體進(jìn)行編碼，通過(guò)制定合理的編碼規(guī)則，選擇合適的遺傳算子，達(dá)到模