基于T-S模型的模糊自适应PSO算法

惯性权重的取值对改善微粒群优化(Particle Swarm Optimization,PSO)算法的收敛性起着关键作用。针对惯性权重的取值问题,提出一种基于T-S模型的模糊自适应PSO(T-SPSO)算法。算法根据当前种群最优适应值和惯性权重,自适应更新惯性权重取值,改善了算法收敛性。最后以典型优化问题的实例仿真验证了所提出算法有效性。

利用T-S模糊自适应PSO算法优化PID参数

针对微粒群优化算法存在的早熟问题,提出了一种基于T-S模型的模糊自适应PSO算法(T-SPSO算法)。算法依据种群当前最优性能指标和惯性权重值所制定T-S规则,动态自适应惯性权重取值,改善了PSO算法的收敛性。将该算法应用于PID控制器的参数整定,可得到更优的控制器参数。仿真结果验证了所提出算法的有效性和所设计控制器的优越性。

制冷站系统负荷和能效比改进T-S模糊模型构建

制冷站具有非线性、强耦合等特点,导致传统机理的建模面临困难。为实现系统节能优化控制,并改善模型在线修正和移植性能,提出一种基于改进Takagi-Sugeno(T-S)模糊模型的制冷站负荷和能效比动态建模方法,前件结构辨识设计改进天牛须搜索算法,以改善模糊C-均值聚类方法对初值敏感和易陷入局部最优的问题;为实现非线性模型辨识,并降低现场测试数据噪声的影响,设计自适应扩展卡尔曼滤波算法实现模型后件参数辨识和在线修正。实验结果表明,所建立的负荷和能效比预测模型在广州某建筑上运行时,相对误差分别为0.63%和1.49%;使用广州市另一座建筑的数据进行模型可移植性验证,经过500步在线训练,新模型成功收敛,证明所构建模型具备良好的可移植性和适应性。

基于T-S模糊模型的RBF网络的自适应学习算法

针对多维模糊推理中的推理规则庞大和参数难辨识的问题,提出一种基于T S模糊模型的RBF神经网络的自适应学习算法.该算法不仅能动态调节T S型模糊RBF网络的隐节点数,还能使网络的数据中心值自适应变化,有较好的自学习能力和优化能力.仿真结果验证了该算法是有效和可行的,表明此T S型模糊RBF网络不仅可以快速逼近任意多变量非线性函数,而且具有良好的自适应能力.

基于自适应事件触发的离散时滞T-S模糊模型的降阶估计

本文研究了离散时滞Takagi-Sugeno模糊系统的 l2-l∞ 降阶滤波器设计问题。针对离散时滞Takagi-Sugeno模糊动态系统,设计了降阶滤波器将原模型转化为线性低阶模型。该滤波器还可以用 l2-l∞ 性能近似原始系统,使用一种新的自适应事件触发方案来减少网络的通信负载和计算资源。通过将模糊降阶滤波器的滤波问题转化为凸优化问题,给出了设计模糊降阶滤波器的条件。最后,通过两个算例验证了所提设计方案的可行性和适用性。

遗传算法在T-S模糊模型辨识中的应用

给出了Ｔ－Ｓ模糊模型的一种模糊神经网络实现方法．提出了采用遗传算法优化网络参数，实现Ｔ－Ｓ模型的辨识．给出了参数优化的详细过程，并用仿真实例证实了这种方法的有效性．成功地将神经网络。

一种基于T-S模糊模型的自适应建模方法及其应用

提出了一种改进的基于T-S模糊RBF神经网络模型的辨识算法和自适应方法,采用模糊C均值聚类(FCM)算法划分输入输出数据空间,最后将该算法应用于丙烯腈收率的预报,仿真结果表明了这种基于T-S模糊模型的自适应建模方法的有效性。

一种基于T-S模糊模型的自适应预测函数控制

针对离散时间非线性系统,提出了一种基于T-S模糊模型的自适应预测函数控制算法。该算法利用加权递推最小二乘法在线辨识T-S模糊模型后件参数,以克服模型失配对系统性能的影响。根据辨识得到的模型参数直接递推计算模型的预测输出,而不需要求解Dio-phantine方程,进而直接递推求解预测控制律,而不需要求解矩阵逆。仿真结果表明,该算法具有良好的跟踪性能和较强的鲁棒性。

基于T-S模糊模型的辨识算法

提出一种新的基于 T-S模糊模型的辨识算法。该算法可分为 2步 ,第 1步是比较粗糙的辨识 ,按子空间的线性程度来划分输入空间 ,规则前件参数由子空间的中心和大小决定 ,规则后件线性参数由最小二乘法确定 ;第 2步是模型的精细调整 ,利用梯度下降法调节隶属函数和规则后件的线性参数。

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模糊模型的模型参考自适应逆控制

针对非线性系统,提出一种基于T-S模糊模型的模型参考自适应逆扰动消除控制方法。所提方法根据模糊辨识理论与模型参考自适应逆控制各自的特点,将两者相结合。首先,根据模糊系统理论,分别采用模糊对角线划分和递推最小二乘算法进行前提和结论参数辨识,离线辨识得到对象模糊模型和逆对象模糊模型。将辨识出的对象逆设为原始控制器,与被控对象串联;为了分离出系统扰动信号,将辨识出的对象模型与被控对象并联,通过被控系统与对象模型输出做比较,再通过逆对象模型反馈到系统输入端,组成扰动消除环节。用最小均方差算法在系统运行过程中在线调节逆对象模糊模型参数,使其输出误差最小。最后,使用所提方法对一混合非线性系统及输入/输出非线性系统进行仿真试验,仿真结果验证了所提方法的有效性。

T-S模糊模型的一种简单辨识算法

讨论了T-S模糊模型的辨识问题,以直线作为数据分类的目标,提出了一种改进的简单辨识算法.首先采用Hough变换,根据给定的输入输出数据,得到了模型后件部分的直线方程,并辨识出结论参数,然后依照得到的直线对输入数据进行分类.考虑输入数据与相应直线的接近程度,以及邻近直线对输入数据的影响程度,辨识出了模型的前件参数.本算法不需要对数据的循环计算,从而大大减少了计算量.仿真例子说明了本算法对T-S模糊模型辨识的有效性.

基于T-S模型的自适应模糊预测函数控制

针对多变量非线性系统,提出一种基于Takagi-Sugeno(T-S)模型的自适应模糊预测函数控制方法.在T-S模糊模型结构已确定情况下,利用加权递推最小二乘法对T-S模糊模型后件参数进行在线辨识.对模糊模型在每一采样点进行线性化,将描述非线性系统的T-S模型转化为线性时变的状态空间模型,并假设输入基函数为阶跃函数,推导出预测控制律的解析式.仿真结果表明,该方法在求解控制律时,无需求解非线性优化问题,并且有效克服了模型失配对系统控制性能的影响,增强了系统的跟踪性能和鲁棒性.

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.

基于遗传算法的广义T-S模糊模型预测函数控制

提出了一种基于遗传算法的广义T-S模糊模型预测函数控制算法。首先利用减法聚类确定隶属度函数中心和模糊规则数,然后利用遗传算法同时对广义T-S模型的其他前提参数和结论参数进行辨识,并进行全局寻优。最后将本文提出的算法应用在具有强非线性特性的pH中和过程中。仿真结果表明:本文算法具有较小的超调和较好的跟踪能力。

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。

基于T-S模型的自适应控制算法

针对非线性动态系统的实际情况,提出了一种基于T- S模型的模糊控制算法。对于已给定的希望输出值,不论前提条件是否改变,依据该算法得到的自适应控制量,控制误差一致小。

基于T-S模糊模型参考自适应数控机床电磁悬浮系统的控制

为了能够有效地控制电磁悬浮系统,采用基于T-S模糊模型参考自适应控制算法,其设计思想是参考模型和被控电磁悬浮系统分别采用PID控制,两个系统的输出偏差通过T-S模糊控制器和积分控制器共同进行补偿。仿真结果表明磁悬浮系统采用此控制方案具有响应速度更快、鲁棒性更强等的特点,可以满足数控机床的使用要求。

基于T-S模型的自组织模糊辨识算法研究

针对复杂非线性动态系统的模糊建模问题 ,基于 T- S模型提出一种自组织模糊辨识算法。改进后的算法简化了前提结构辨识的过程 ,并使前提参数辨识和结论参数辨识同时完成 ,极大地减少了参数辨识和结构辨识的计算量 ,能够保证在线辨识的要求。大量的仿真结果表明该算法具有收敛速度快、辨识精度高、稳定性好的特点 ,便于工程应用。