欢迎来到天天文库
浏览记录
ID:37406047
大小:1.67 MB
页数:59页
时间:2019-05-23
《基于T-S模糊模型的非线性系统建模》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、硕E学侍论文摘要非线性系统广泛存在于客观世界,研究非线性系统的建模就显得特别重要。对于非线性系统,难以获得精确的数学模型,即使能够建立其数学模型,也往往过于复杂,使得传统控制难以达到理想控制效果。基于知识和不依赖于精确数学模型的智能控制给这类问题的解决带来了新的思路。T-S模糊模型采用线性方程去表示每一个非线性系统局部区域的局部规则,以局部线性化为基础,通过模糊推理的方法实现全局的非线性。基于T-S模糊模型的上述特点,本文紧紧围绕着非线性系统模糊建模和辨识方法展开讨论和研究。在T.s模糊模型辨识中,应用模糊C均值聚类方法可将其前提结构
2、和结论参数的辨识分开进行,减少了计算量。首先通过逐步回归的方法对输入变量进行筛选,保留那些对输出影响显著的变量,剔除那些对输出影响不显著的变量,这样在保证精度的前提下可适当的简化模型的复杂性。然后基于此结果利用模糊C均值聚类算法对所选输入空间进行聚类,提取T-S模糊模型的规则前件隶属函数参数。其次,采用最小二乘法求得T-S模糊模型规则的后件参数,为了进一步提高T-S模糊模型的精度,采用遗传算法优化所建T-S模糊模型的前、后件参数。最后,本文给出了熟知的Box.Jenkins数据的建模仿真,验证了所提算法的有效性。关键词:模糊C均值聚类
3、;最/J、-"乘估计;T-S模糊模型;逐步回归法;遗传算法基y-T-S模糊模掣的竹线性系统建模AbstractNonlinearsystemsexistintheworldextensively,soitisimportanttoinvestigatetheidentificationofnonlinearsystems.Asfornonlinearsystems,itisdifficulttogettheaccuratemathematicmodel.Evenwecanbuildmathematicmodelforthosesyst
4、ems,itmaybetoocomplicatedtodesignacontrollerwithconventionalmeans.Takagi-Sugenofuzzymodelillustratesthelocal-ruleforeverylocalareawithalinearequationandachievesglobalnonlinearitybasedonlocallinearitybyfuzzyinference,ConsideringthemeritsaboveoftheT-Sfuzzymodel,thisdisser
5、tationcloselysurroundsfuzzymodelingandidentificationmethodsfornonlinearsystemstodiscussandtoresearch.ForT·S’ssystemidentification,itispossibletoseparatethepremiseidentify—cationfromtheconsequenceidentificationusingfuzzyclusterthatcansimplifythecalculation.Firstly,inputv
6、ariablesareselectedbythemethodofstepwise,thevariablesofmuchinfectiontooutputvariablesarereserved,thevariablesoflittleinfectiontooutputvariablesareeliminated,thecomplexityofmodelisproperlysimplifiedatthepremissofprecision.Secondly’withtheresult,theinputspaceisclusteredby
7、fuzzyc-meansclusteringalgorithm;wegctthemen南ershipfunctionoftheantecedentfuzzysets.Thirdly,theconsequentparametersofrulesarecalculatedbytheleastsquaresestimateispresented,thepremiseandconsequenceparametersofT-Sfuzzymodelareoptimizedbygeneticalgorithmforadvancingitspreci
8、sion.Atlast,theeffectivenessofproposedalgorithmsaredemonstratedbystimulationresultsofthewell.knownBox.Jenkinsd
此文档下载收益归作者所有