基于UD矩阵分解的模糊建模算法及收敛性分析

实际系统中通过采样得到的数据的噪声、干扰和变量之间耦合等不确定因素,使得描述系统的模糊关系矩阵列间可能存在严重的相关性.为了解决输入空间重构的模糊建模问题,提出利用目标函数确定非线性系统的结构和参数,实现对模糊模型结构简化,删除冗余规则.结构确定过程中采用了UD矩阵分解方法,大大降低了计算量.最后,证明了算法的收敛性,仿真结果表明了方法的有效性.

基于模糊聚类和矩阵分解的模糊辨识方法

通过改进模糊聚类方法确定模糊模型的前件结构 ,然后对模糊推理关系矩阵进行QR分解 ,通过分析秩的亏损来确定聚类规则的有效性 ,然后采用基于矩阵UD分解最小二乘确定模糊模型的后件参数 ,实现模糊模型的结构和参数的优化 .该方法成功地应用于Box

基于正交最小二乘和UD分解的模糊建模方法

通过改进模糊聚类方法确定模糊模型的前件结构,并对模糊推理关系矩阵进行正交最小二乘估计。通过分析正交向量在模型中贡献的大小确定聚类规则的有效性,然后采用基于UD分解的最小二乘确定模糊模型的后件参数,实现模糊模型的结构和参数的优化。该方法巳成功地应用于Box-Jenkins煤气炉的数据系统建模。

基于模糊竞争学习和UD分解的模糊建模

为解决复杂系统模糊建模问题,研究了利用模糊竞争学习实现非线性系统的模糊建模方法.首先,利用模糊竞争学习方法划分输入变量的模糊输入空间,确定模糊模型的规则数、规则,实现模糊模型的结构优化.另外,为了克服递推最小二乘出现的误差积累、传递现象,采用基于矩阵UD分解的递推最小二乘方法确定模糊模型的结论参数,从而实现模糊模型的结构和参数优化.采用该方法对M ackey-G lass混沌时间序列进行建模研究,结果表明可以在线或者离线对M ackey-G lass混沌时间序列进行准确预测,效果较好.

基于目标函数的模糊模型一体化建模

基于模糊集合的模糊模型,利用模糊推理规则描述复杂、病态、非线性系统是一种有效方法.本文提出了利用目标函数确定非线性系统的结构和参数的方法.首先,通过Gustafson-Kessel(GK)模糊聚类确定模型结构.然后,通过目标函数与参数估计一起进行递推计算,进而实现对模糊模型结构简化,删除冗余规则.结构确定过程中采用了UD矩阵分解方法,大大降低了计算量.仿真结果证明了提出方法的有效性.

一种改进的自适应指数加权衰减记忆滤波算法

对卡尔曼滤波在GPS定位应用中估值发散的抑制进行了研究,首先解决了由于各个测量噪声之间相关导致噪声协方差阵无法满足对角矩阵的问题;接着对基于多重衰减因子矩阵的指数加权的衰减自适应算法的一步预测均方误差进行了UD分解,将分解矩阵应用于卡尔曼滤波过程更新,并给出了多重衰减记忆因子矩阵的求解过程。实验结果表明,这种算法增强了数值稳定性,提高了定位精度,具有抑制滤波发散的作用。