基于改进T-S模型的模糊辨识算法及其应用

热工过程往往具有非线性和不确定性,用传统的描述热工过程动态数学模型的方法(如传统函数等)难以建立非线性模型,从而难于精确表达热工过程及实施整体优化控制。该文提出了一种基于改进T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间的划分,在此基础上利用加权递推最小二乘法(WRLSA)建立热工过程的T-S模型。仿真结果表明基于改进T-S模型的非线性模糊模型,不仅能精确地描述过程的非线性,而且算法简单、快速。

混沌机制在T-S模型模糊神经网络的系统辨识研究

出一种 T- S模型的模糊神经网络 ,在通常 BP算法的基础上 ,引进混沌机制来训练模糊神经网络的权值参数。将混沌 BP算法应用于非线性系统建模 ,以求获得全局意义下的最优逼近。仿真研究说明了其有效性和良好的性质。

基于局部T-S模型的非线性系统多模型切换控制

提出一种基于局部T-S模型的非线性系统多模型切换控制方法,将输入空间划分为若干个区域,在每一区域内设计局部T-S模型和控制器,这样在模糊规则数相同的情况下由于模糊论域的变小而提高了逼近精度,然后再通过多模型切换控制,实现对整体非线性系统的逼近与控制.仿真结果证明了该方法的有效性.

一种基于T-S模型的快速自适应建模方法

在分析 Takagi- Sugeno模型的网格法 (即 ANFIS方法 )、聚类法和模糊树法的基础上 ,提出一种新的改进的建模方法。它划分的子空间的个数与分布和采样数据的特征密切相关 ,具有自适应能力。应用国际标准例题进行仿真 。

基于T-S模型的鲁棒模糊滑模观测器LMI设计方法

采用模糊T-S模型描述一类匹配不确定的非线性系统,结合滑模观测器设计原理,提出基于T-S模糊模型的鲁棒模糊滑模观测器设计方法。采用Lyapunov函数作为稳定模糊观测器的判别条件,使设计的观测器一致收敛,状态估计达到预期的指标;运用LMI和区域极点配置方法,设计鲁棒模糊滑模观测器的综合算法;将该设计方法应用于倒立摆的平衡控制系统进行相应的数字仿真,验证其可行性。

基于T-S模型的钻杆对中自适应预测控制

为非线性系统建立 T- S模糊模型 ,采用基于 T- S模型的局部递推最小二乘法对模糊规则后件参数进行辨识 ,然后用一步预测控制的方法进行控制。在钻杆对中控制中 ,定义了矢量化的时间为控制量 ,采用上述方法 。

基于T-S模型的非线性系统模糊聚类辨识方法

提出一种基于T-S模型的非线性系统模糊聚类辨识方法,对T-S模糊模型的前提部分和结论部分进行分开辨识,既简化该模型的辨识步骤,又提高它的泛化能力,同时也解决了T-S模糊模型随辨识系统复杂程度提高而规则数增大的问题。对一个非线性系统辨识的仿真结果验证了这种模糊聚类辨识方法的有效性。

基于T-S模型的倒立摆双闭环串级模糊控制设计与仿真

针对具有多变量、非线性特性的倒立摆系统,提出了一种基于T-S模型的双闭环串级模糊控制方法。在该方法中,内环控制倒立摆的角度,外环控制倒立摆小车的位移,并对双闭环参数耦合实现了解耦,降低了系统设计的难度和复杂度。数字仿真结果表明了该方法的可行性。

用T-S模型模糊神经网络进行压裂效果预测

压裂效果受多种因素的影响,不同井况的不同参数对压裂效果的影响程度不一样,具有许多的模糊性。运用T—S模型模糊神经网络,建立各种影响因素与压裂效果之间的关系模型和预测模型,可以用来指导压裂选井选层和压裂施工工艺。实践证明,该方法用于压裂效果预测具有良好的适应性和实用性。

基于T-S模型的自适应多变量模糊预测控制

针对多变量非线性系统的控制问题,提出了一种具有良好控制效果的模糊预测控制方法。首先采用快速聚类法和递推最小二乘法辨识得到非线性系统的T-S模型,然后对系统进行线性化,并基于线性化的模型设计模糊广义预测控制器并对非线性对象进行在线自适应控制。对一个带时延的强耦合二变量非线性对象进行仿真,结果表明对于具有时变性的非线性系统,该方法具有很好的控制效果。

基于T-S模型的轮式移动机器人轨迹跟踪控制

针对带有执行机构饱和约束与外部干扰的轮式移动机器人,提出了一种基于T-S模糊模型的轨迹跟踪方法.利用机器人运动特性和参考轨迹建立轨迹跟踪的误差系统并将其作T-S模型描述.通过求解具有LMI约束的半定规划问题,对每个线性子系统单独设计满足控制约束与H∞性能约束的状态反馈控制器,并在PDC(动态平行分配补偿)设计框架下构建全局控制器,最后证明闭环系统的李雅普诺夫稳定性.仿真结果验证了该方法的有效性和可行性.

基于T-S模型的冷凝器污垢预测

针对冷凝器的周期性结垢过程以及工况参数的动态变化 ,提出了一种冷凝器污垢预测的新方法。该方法将污垢分解为软垢和硬垢两部分 ,并采用两个T- S模糊模型分别描述软垢和硬垢的变化趋势 ,进而通过二者的结合获得较为精确的污垢预测。根据此方法 ,进行了现场试验 ,试验结果表明 :与渐近污垢模型及改进的渐近污垢模型相比 ,该方法能够有效地处理冷凝器的周期性结垢现象 ,并在冷凝器工况参数变化时仍然取得较满意的预测精度。该方法的成功应用为冷凝器最优清洗机制的建立奠定了基础。

基于改进自适应粒子群算法的T-S模型辨识

提出基于改进自适应粒子群算法(Improved Self-adaptation Particle Swarm Optimiza-tion,PSO)的T-S模糊模型辨识方法。首先,利用核函数的模糊聚类算法划分数据空间,尽可能少地提取模糊规则,并消除孤立点、噪声点数据等的不利影响;其次,基于ISPSO算法进行参数辨识,将待辨识的参数划分为若干粒子,自适应更新飞行速度,动态修改惯性权因子,惯性权因子呈非线性动态变化,不仅可以克服PSO算法陷入局部最优的早熟,失去多样性,而且可以提高粒子在全局最优位置绕行时的稳定性。提出的方法使得T-S模型辨识达到较高的辨识精度。仿真实例和比较分析证明了该算法的有效性。

基于T-S模型的模糊神经网络PID控制

针对在非线性、时变不确定系统中,常规PID控制器难以获得满意效果的问题,仿照传统PID控制器结构,设计了一种基于T-S模型的模糊神经网络PID控制器。该控制器基于T-S模糊模型,将PID结构融入模糊控制中,充分发挥了模糊系统非线性、可解释性的特点;然后又利用神经网络的学习算法,实现了对模糊控制器的参数调整,使控制器具有了适应时变、不确定系统的自学习和自组织能力。针对非线性、时变系统,将此控制器与传统PID控制器对比进行了仿真研究,并应用于啤酒发酵领域,其结果表明,该控制器取得了令人满意的效果。

基于T-S模型的稳定自适应FNN控制器的设计

对一类不确定非线性系统 ,提出一种基于 T- S模型的自适应 FNN控制器 .首先用权值固定的 FNN作为非线性系统的近似模型 ,然后再应用自适应 FNN逼近建模误差 ,并引入滑模项增加控制器的鲁棒性 .通过稳定性理论设计自适应律 ,保证了系统的全局稳定 。

基于改进T-S模型的热工过程模糊辨识算法

提出了一种实用的基于T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间进行划分,在此基础上利用递推最小二乘辨识算法建立一个热工过程的T-S模型。文中给出了熟知的Box-Jenkins数据的辨识结果,并将该方法应用于辨识单元机组的协调控制系统。

基于T-S模型的比例变量泵模糊控制系统

以斜盘式轴向柱塞电控比例变量泵为研究对象,设计了变量泵模糊控制系统,推导并建立了变量泵变量机构的数学模型,提出了一种基于T-S模型和仿人工智能相结合的模糊PID控制算法。试验结果表明,所设计的T-S模糊PID算法与传统PID控制算法相比,可明显改善系统的动态控制性能,达到了对变量泵排量进行精确、快速控制的目的。

基于T-S模型的小车倒立摆控制

小车倒立摆系统作为1个典型的不稳定非线性系统,是进行控制理论教学及开展各种控制实验的理想实验平台,对小车倒立摆系统的控制分解为2部分:一部分称为"摆杆控制",采用T-S模糊模型来描述,利用系统的不确定性把系统表示成不确定系统的形式,设计出全局渐进稳定的模糊模型;另一部分称为"小车控制",通过对位置误差和小车速度的模糊化计算,得出控制量。最后,通过对小车倒立摆系统外加干扰信号、给定平移指令、参数摄动等实验表明,采用基于T-S模型的模糊控制,该系统可以在0.4s的时间内取得良好的控制效果,并且具有较强的鲁棒稳定性和良好的抗干扰性能。

基于T-S模型的非线性系统的最终滑动模态控制

采用T_S模糊动态模型逼近非线性系统 ,将非线性系统模糊化为局部线性模型 .用Lyapunov稳定性理论设计出确保T_S模型全局渐近稳定的变结构控制器 .采用单位向量控制形式的最终滑动模态控制器 ,对满足匹配条件和不满足匹配条件的不确定性均适用 .以倒立摆为模型的仿真实验 。

基于T-S模型的交通状态自适应神经模糊推理系统建模与仿真

针对交通状态的识别诊断问题,引入驾驶人对交通拥堵程度的感知评价作为模型的学习目标,并建立了基于T-S(Takag-i Sugeno)模型的自适应神经模糊推理系统(ANFIS)模型.通过仿真,证明所建立的模型具有较快的收敛速度与较高的识别精度,对交通状态的识别问题研究具有一定的泛化能力和较强的应用效果.