智能汽车仿人换道TSK模糊可拓控制研究

为提高智能汽车自主换道的轨迹跟踪精度和乘员舒适性,提出了一种将可拓控制与TSK(Takagi-Sugeno-Kang)模糊控制相结合的智能汽车仿人换道控制方法。通过驾驶模拟器对熟练驾驶员的实际驾驶轨迹数据进行采集,基于广义回归神经网络进行仿人理想轨迹拟合。为提高智能汽车对拟合轨迹的跟踪能力,引入可拓控制策略根据系统状态划分不同控制域,并在经典域和可拓域分别采用PID反馈控制和PID前馈-反馈控制,解决单一控制算法的局限性。为进一步改善可拓控制在不同控制域边界的抖动问题,采用了TSK模糊控制对其稳定性进行优化。仿真结果表明,该控制算法保证在不同换道工况下都具有较高的跟踪精度和舒适性。

面向不平衡数据的深度TSK模糊分类器

为了进一步提升Takagi-Sugeno-Kang(TSK)模糊分类器在不平衡数据集上的泛化能力和保持其较好的语义可解释性,受集成学习的启发,提出面向不平衡数据的深度TSK模糊分类器(A Deep TSK Fuzzy Classifier for Imbalanced Data,ID-TSK-FC).ID-TSK-FC主要由一个不平衡全局线性回归子分类器(Imbalanced Global Linear Regression Sub-Classifier,IGLRc)和多个不平衡TSK模糊子分类器(Imbalanced TSK Fuzzy Sub-Classifier,I-TSK-FC)组成.根据人类“从全局粗糙到局部精细”的认知行为和栈式叠加泛化原理,ID-TSK-FC首先在所有原始训练样本上训练一个IGLRc,获得全局粗糙的分类结果.然后根据IGLRc的输出,识别原始训练样本中的非线性分布训练样本.在非线性分布训练样本上,以栈式深度结构生成多个局部I-TSK-FC,获得局部精细的结果.最后,对于栈式堆叠IGLRc和所有I-TSK-FC的输出,使用基于最小距离投票原理,得到ID-TSK-FC的最终输出.实验表明,ID-TSK-FC不仅具有基于特征重要性的可解释性,而且具有至少相当的泛化性能和语义可解释性.

基于模糊子空间聚类的〇阶L2型TSK模糊系统

经典数据驱动型TSK(Takagi-Sugeno-Kang)模糊系统在获取模糊规则时,会考虑数据的所有特征空间,其带来一个重要缺陷:如果数据的特征空间维数过高,则系统获取的模糊规则繁杂,使系统复杂度增加而导致解释性下降。该文针对此缺陷,探讨了一种基于模糊子空间聚类的〇阶L2型TSK模糊系统(Fuzzy Subspace Clustering based zero-order L2-norm TSK Fuzzy System,FSC-0-L2-TSK-FS)构建新方法。新方法构建的模糊系统不仅能缩减模糊规则前件的特征空间,而且获取的模糊规则可对应于不同的特征子空间,从而具有更接近人类思维的推理机制。模拟和真实数据集上的建模结果表明,新方法增强了面对高维数据所建模型的解释性,同时所建模型得到了较之于一些经典方法更好或可比较的泛化性能。

基于TSK智能技术的物体垂直出水水动力参数辨识研究*

提出了基于TSK模糊逻辑系统智能技术的物体垂直出水水动力参数辨识新方法。该方法基于TSK模糊逻辑系统智能技术,具有很好的学习功能,能从样本数据集中自适应地获得潜在的规律,从而获得所需的数学模型,避免了复杂的数学模型选择的主观性。

基于0阶TSK型迁移模糊系统的EEG信号自适应识别

在EEG信号识别中,传统的模糊系统建模方法均假设模型的训练数据集和测试集服从相同的分布,但在实际应用中,该假设受到了严峻的挑战。针对上述挑战,探讨了适宜于数据分布迁移环境的直推式0阶模糊系统构建方法,构造了基于二分类模型的直推式0阶模糊系统目标函数来训练系统参数。提出的直推式迁移0阶TSK型模糊系统(TL-0-TSK-FS)算法在癫痫EEG信号的自适应识别的研究结果表明,该方法较之相关方法显示出了一定的优越性。

TSK模糊逻辑系统相关滤波器跟踪算法

针对当前目标跟踪领域中如何准确迅速地区分目标和背景的问题,大部分跟踪器的核心内容是如何训练一个判别分类器来区分目标和周围环境。目前较为先进的核相关滤波器算法(KCF)及其改进后的判别式相关滤波器(DCF)将判别分类器与傅里叶变换相结合来提升跟踪速度,一些基于KCF的优化算法对部分跟踪难题,如针对尺度问题的KCF算法和针对目标消失的KCF算法提出了解决方案。但当前已有算法在提高精度方面仍有一定的提升空间,针对此,在核相关滤波器的基础上,从TSK模糊逻辑系统(TSK-FLS)的角度出发推导出了一种新的模糊核相关滤波器(FKCF)。FKCF继承了前者的高速和计算量小的特性,为了提高鲁棒性,将之前简单的高斯映射换成了模糊隶属度函数,并且在核计算的过程中引入了后件参数。由于这两项改进,使得在跟踪精度方面比KCF更好。将FKCF算法与KCF等相关算法在OTB50等4个数据集中的50个随机选取的视频上进行了实验,10项常见属性上的精度均有提升。

基于熵准则的发酵过程TSK模糊建模

提出了一种基于熵准则函数的TSK模糊系统建模方法.不同于传统的基于MSE经验误差最小的准则函数,该准则函数能从训练样本的整体分布结构来进行参数学习,有效地避免了由于过学习而导致泛化能力差的缺点.将其应用于复杂的发酵过程建模,结果表明新方法具有良好的预测精度、泛化能力和鲁棒性.为解决发酵过程建模中试验数据含有噪音,导致模型预测精度下降的问题提供了一条研究思路.

基于TSK模型的车辆跟驰模型

为解决传统的基于模糊推理的车辆跟驰模型参数校准精度差的问题,提出了基于TSK模型的车辆跟驰模型.采用改进的基于遗传算法的TSK模型辨识方法,对分组中数据点不足的情况作了特别处理,通过GPS采集跑车实验数据,根据实测数据构建并验证TSK模型.实验结果和理论分析吻合较好,模型精度提高了一个数量级,表明TSK模型用于车辆跟驰模型是可行的.

基于TSK型递归模糊神经网络的永磁直线同步电机位置控制研究

针对基于磁场定向控制的永磁直线同步电机(PMLSM)伺服系统的位置精准控制问题,提出了一种TSK型递归模糊神经网络(TSKRFNN)控制方法。在考虑了系统易受参数变化、外部扰动和摩擦力等不确定性因素影响的基础上,建立了含有不确定性因素在内的PMLSM动态数学模型;利用TSKFRNN对系统同时进行了实时在线的结构学习和参数学习,提高了系统抑制不确定性因素的鲁棒性,保证了系统的动态跟踪性能。实验及研究结果表明:与模糊神经网络PID控制方法相比,TSKFRNN可以有效辨识电机参数,抑制系统的不确定性对系统伺服性能的影响,提高了系统的鲁棒性和跟踪性能。

具备视角协同学习能力的多视角TSK型模糊系统

传统模糊系统建模方法本质上是一种单视角学习模式,面向适合多视角处理的场景时,它们通常只能将每一视角割裂开来进行独立建模,这导致其所得系统泛化性能往往不令人满意。针对此缺陷,该文探讨具备多视角学习能力的模糊系统建模方法。为此,基于经典的L2型TSK模糊系统,通过引入具备多视角学习能力的协同学习项,该文提出了核心的多视角TSK型模糊系统(MV-TSK-FS)建模方法。MV-TSK-FS不仅能有效地利用各视角不同特征构成的独立样本信息,还能充分地利用各视角间由于相互关联而存在内在信息,以最终达到提高系统泛化性能的效果。在模拟数据集与真实数据集上的实验结果验证了较之于传统单视角模糊建模方法该多视角模糊系统有着更好的泛化性和适用性。

中心化模糊系统CTSK的分析及应用

从一个新角度重新探讨TSK模糊系统建模问题,引入并分析推导一种新的TSK模糊系统——CTSK。与传统TSK模糊系统相比,CTSK模糊系统具有良好的可解释性、更好的鲁棒性和较强的逼近能力。仿真实验结果有效地验证了上述优点,在用CTSK模糊系统进行地下水质的评价时取得了较好的效果。

区间二型模糊子空间0阶TSK系统

人们倾向于使用少量的有代表性的特征来描述一条规则,而忽略极为次要的冗余的信息。经典的区间二型TSK(Takagi-Sugeno-Kang)模糊系统,在规则前件和后件部分会使用完整的数据特征空间,对于高维数据而言,易导致系统的复杂度增加和可解释性的损失。针对于此,提出了区间二型模糊子空间0阶TSK系统。在规则前件部分,使用模糊子空间聚类和网格划分相结合的方法生成稀疏的规整的规则中心,在规则后件部分,使用简化的0阶形式,从而得到规则语义更为简洁的区间二型模糊系统。在模拟和真实数据上的实验结果表明该方法分类效果良好,可解释性更好。

结合模糊(C+P)均值聚类和SP-V-支持向量机的TSK分类器

为获得具有模糊规则自适应约简性能和较好的泛化性能的TSK分类器,本文提出了一种结合模糊(C+P)均值聚类(FCPM)算法和SP-V-支持向量机(SVM)分类算法来构建TSK(Takagi-Sugeno-Kang)分类器的方法。该方法首先用FCPM聚类算法对训练数据进行聚类;然后根据聚类结果确定TSK分类器的模糊规则前件中的高斯隶属度函数的中心和宽度参数;最后采用成组稀疏约束SP-V-SVM算法对模糊规则后件参数进行学习,该算法不仅改善了系统的泛化性能,还使系统具有模糊规则自适应约简功能,使得系统更为紧凑。与相关算法在UCI和IDA标准数据集分类实验中的模糊规则数和分类性能对比表明:用提出的分类算法所构造的TSK分类器不仅具有较好的分类性能,而且模糊规则数少,有利于构建更为紧凑的模糊分类系统。

TSK网络结构设计:一个基于二阶运算的局部反馈网络

按照局部反馈和易于解释两个原则,本文设计了一个带反馈的二阶TSK网络。网络的结论部分以输入成分的二项式[1,2]作为神经元的导出域。二项式是神经网络领域少见的运算模式,导出域通常为输入与权向量的内积。网络的结论部分借助于延迟反馈引入动态特性,属于局部反馈,所以动态导数计算简洁。TSK网络表征一组If-Then规则,本文网络较采用独立变换[3]和基于G—FGS神经元[4]的网络易于理解。系统辨识的仿真证明本文网络可以很好地辨识动态系统,表明TSK网络拓扑结构设计中使用二阶运算是可行的。

卡车的TSK模糊控制

针对在保证一定精度的条件下,要求一次性完成卡车的倒车的情况,利用TSK (Takagi-Sugeno-Kang)模糊系统控制卡车,在TSK模糊控制器作用下让卡车从任意的初始位置一次性倒车到指定的位置。在卡车数学模型中,线性部分设计线性状态反馈控制器,非线性部分先求TSK模糊模型,然后设计基于TSK模糊模型的TSK模糊控制器。它是一个非线性控制器,可保证闭环系统的稳定性。仿真实验结果表明,所设计的TSK模糊控制器对卡车的倒车控制是非常有效的。

直升机的TSK模糊控制

针对直升机动力学为非线性的特点,且存在不确定因数和状态变化,利用线性控制很难得到好的控制结果,提出利用TSK(Takagi-Sugeno-Kang)模糊系统控制小模型直升机。所设计的TSK模糊控制器是一个基于TSK模糊模型的非线性控制器,能保证闭环控制系统的稳定性。直升机数学模型中线性部分设计状态反馈控制器非线性部分先求TSK模糊模型,然后设计TSK模糊控制器。仿真和实验结果表明,所设计的TSK模糊控制器比线性控制器对直升机控制具有良好的动态响应和稳定性,是一种非常有效的控制方法。

一种基于TSK型递归模糊神经网络的无刷直流电动机位置控制方法仿真

考虑系统的参数变化和包括摩擦力在内的非线性及时变的外界干扰情况下,永磁无刷直流电动机位置伺服控制系统是多变量和非线性的时变系统。针对传统PID控制方法的不足,提出了一种TSK型模糊神经网络控制器的设计方法,并用于永磁无刷直流电动机伺服控制系统的位置控制;可同时动态在线进行结构学习和参数学习,以提高位置控制静态精度和动态跟踪性能。仿真结果表明,所设计的TSK型模糊神经网络位置控制器响应速度快、跟踪性能好、输出精度高、动态和静态性优能于传统PID控制方法。

双直线电机TSKRFNN交叉耦合同步控制研究

针对高精密龙门移动式镗铣床加工中心X轴的两台直线电机的同步跟踪问题,采用一种TSK型递归模糊神经网络(TSKRFNN)与交叉耦合控制(CCC)相结合的控制方法。利用TSKRFNN解决单轴PMLSM受到参数变化和外界扰动等不确定性影响的问题,估计并补偿总不确定性因素并在线调整网络参数,从而抵抗外界干扰,提高系统的鲁棒性和跟踪性。其次,为解决双直线电机运行时存在的参数不匹配性和耦合问题,将CCC与TSKRFNN相结合,CCC可以将单轴跟踪误差按照一定比例分配给两台永磁直线同步电动机(PMLSM),以抑制由不同步问题引起的不平衡转矩,从而使系统高精度同步运行。最后,通过双直线电机平台证明所提方法的有效性。实验结果表明,该方法鲁棒性及跟踪性优良,可以较好地满足加工中心同步控制的要求。

基于支持向量机的TSK模糊模型辨识与控制

研究非线性系统TSK模糊模型的辨识与控制,利用TSK模型,可以将线性控制理论应用于非线性系统控制。基于支持向量机和递推最小二乘法,辨识出TSK模糊模型,并且通过遗传算法优化隶属度函数参数,最小化辨识误差。针对TSK模型进行控制,控制器包括两个部分:权重最大子系统反馈控制及其监督控制,监督控制保证了系统的稳定性。辨识和控制仿真结果证明了算法的有效性。

TSK模糊模型的协同进化学习方法

针对TSK模糊模型的学习是多约束和多目标优化问题,提出将TSK模糊模型分解为两类不同的种群,协作共同进化的模型学习方法.论述了所涉及的相关问题,包括各种群的编码及其不同的进化计算,各种群个体的合作及其适应值评估策略,模型的后件参数估计方法.该方法要求先验知识少,收敛速度快,能形成简洁的模糊模型,最后以函数近似为例说明了该方法的有效性.