一种新的非线性离散时间系统的模糊辨识方法

合集下载

基于卡尔曼滤波技术的非线性模型在线模糊辨识

基于卡尔曼滤波技术非线性模型在线模糊辨识吴召明张学庆宋晓云赵乐生王芳（莱芜钢铁集团自动化部, 山东省莱芜市, 271104）摘要: 本文提出一个用于非线性模型在线辨识模糊算法。

该算法将非线性输入输出系统用时变线性系统模型来拟和。

并把此非线性系统模型表示成模糊模型形式, 用在线调整模糊模型方法来辨识时变线性模型相关参数。

在以往模糊辨识方法中, 均未给出在线调整非线性系统模糊辨识算法。

本文将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数。

仿真算例表明了此算法有效性。

关键词: 非线性系统; 在线辨识; 模糊集合; 卡尔曼滤波中图法分类号: TN911.72Online Fuzzy Identification for Nonlinear Model Based on Kalman filterWU Zhao-ming ZHANG Xue-qing SONG Xiao-yun ZHAO Le-sheng WANG Fang(Automatization Department of LaiGang Group, ShanDong Province LaiWu City, 271104)Abstract: An online fuzzy identification method for nonlinear model is presented. In the method, nonlinear system is substituted by time-varying linear system, and the multi-input and single output model is expressed by fuzzy model. The parameters of the time-varying nonlinear system are identified by method of online adjusting fuzzy mode. In past, fuzzy identifying methods, there existed fuzzy identifying algorithms not to online tune nonlinear systems. In the paper, a online identification algorithm based on recursive fuzzy clustering method is presented. The result of emulation example demonstrated that the method is effective.Keyword: nonlinear system; online identification; recursive fuzzy clustering; Kalman filter0 序言近几年来, 对非线性模型辨识问题引发越来越多重视, 尤其对于复杂、病态、非线性动力系统, 基于模糊集合模糊模型, 利用模糊推理规则描述系统动态特征, 是一个有效方法。

AnyLogic介绍

仿真软件AnyLogic TM是一种创新的建模工具，它是基于过去十年内建模科学和信息技术中出现的最新进展而创建的。

使用AnyLogic进行建模能为你带来远远超出传统工具的收益，这都源于AnyLogic能够：✧更快速地创建可视化的，灵活的，可扩展的，可复用的活动对象，这些活动对象可以为标准对象或自定义对象，也可以是Java TM对象。

✧通过使用多重建模方法，能够更精确地建模和捕捉更多的事件，并针对你所面临的特定问题对这些事件进行联合和调整。

✧在建模环境中可以直接使用一组优秀的分析和优化工具。

✧轻松有效地将AnyLogic开放式体系结构模型与办公或企业软件，包括电子表格，数据库，ERP和CRM系统等集成起来，或将模型直接嵌入到实时运行环境中。

✧当现实世界中的系统发生变化时，通过对模型进行有效的维护，增长了模型的寿命周期。

主要功能最灵活最强大的仿真建模技术AnyLogic TM为您提供了远胜其他任何工具的建模结构，用于结构，行为，和系统数据的描述。

对象，接口和等级层次，块图和流图，计时器，端口和消息传递，变量和代数—微分方程，以及在模型中任何地方插入Java TM语言表达式，语句，或函数，等等这些构成了任何层次，任何专业的建模者都可以使用的终极工具箱。

开放式体系结构AnyLogic TM模型具有开放式的体系结构，因而可以与任何办公或企业软件及用Java TM语言或其他语言（通过JNI）编写的自定义模块协同工作。

模型可以动态地对电子表格，数据库，ERP或CRM系统进行数据读写，或嵌入到实时运行环境中。

可以在模型中任何地方调用外部程序，反之亦然；可以借助AnyLogic TM仿真引擎的开放API从任何外部程序中调用仿真模型。

在AnyLogic中你也可以使用自定义的随机数发生器，数值方法或优化算法等。

分析在AnyLogic TM中，你可以创建随机性或确定性的模型，并对模型的输出数据进行分析。

AnyLogicTM支持超过35种随机分布，也允许自定义分布。

非线性系统模糊辨识方法的研究

华北电力大学（保定）硕士学位论文非线性系统模糊辨识方法的研究姓名：***申请学位级别：硕士专业：控制理论与控制工程指导教师：***20061226２００Ｅ＝击∑眦（ｆ）一ｙ（ｆ））２（３－１９）ｆ·１模型的输出量为ｙ（ｆ），前期通过模糊聚类，确定前提规则数为５，训练２０步。

辨识的结果如图３－２和表３－１所示。

图３－２是采用６个变量，规则数目为５时的结果，图中上部是控制输入曲线，下部是模型输出和实际输出曲线，模型误差Ｅ＝Ｏ．０００１４５。

文献【７ｓ】也对该再热汽温对象进行了建模，其模型误差Ｅ；０．２８８５。

可见，采用本文方法建立系统模糊模型具有很高的精度。

图３－２实际输出与模型输出之间的比较经过本文算法学习后，得到模型模型如下：聚类中心。

：一１．０１２０－０．８７１４０．１８８８—０．０７１９—１．１５０６—０．１７１８—０．８４７１１．０２６９０．１７８２—４．０６０４１．５４４６—０．３３５８—１．６００８２．３３１４６．１２４６聚类半径：【７．４４２２６．４７１９６．７４３９】Ｉ—ｏ．３４８０．０４２ｏ．０１４ｏ．２４６０．１００１．４０１一ｏ．５５３１ｌ一２．１５２一ｏ．０７７ｏ．２９４ｏ．３１２ｏ．２１４—０．８７７—０．６２３ＩＩ２．７１４—０．２２４ｏ．２０３０．２８５—０．１８９１．２０３—１．０３１ｌ揽彻ｏｏ￡表３－１不同模糊辨识方法对再热汽温建模的比较表１中输入变量个数３、６、９分别表示上文中所选择的输天变量组合④：②、③。

取得模糊模型后，在阶跃输入信号作用下，搭建仿真模型，分别观察原始模型和已取得的模糊模型的阶跃响应曲线，得到结果如图３所示，两条曲线非常贴近。

图３—３模糊模型与实际模型的阶跃响应曲线３．１．３．２热工主汽温对象辨识文献【８０】给出的某６００ＭＷ汽温系统在３７％，５０％，７５％，１００％负荷下时现场测得的动态特性如表２所示（模型引白文献【８０】）。

其输入为喷水流量ｕ（ｔ）（ｋｇ／ｓ），输出为主蒸汽温度ｙ（ｔ）（℃）。

离散控制系统的系统辨识技术

离散控制系统的系统辨识技术离散控制系统的系统辨识技术是在离散时间下对系统进行建模和参数估计的一种方法。

通过系统辨识技术，我们可以获取到系统的数学模型和参数，从而实现对系统的控制。

本文将介绍离散控制系统的系统辨识技术及其应用。

一、系统辨识的基本概念系统辨识是指通过实验和数据分析，推导出系统的数学模型和参数的过程。

在离散控制系统中，由于系统的输入和输出变量是按照离散时间采样得到的，因此需要采用特定的辨识方法进行处理。

常见的离散控制系统的系统辨识方法包括：参数辨识、经验模型辨识和神经网络辨识等。

参数辨识方法通过对系统的输入-输出数据进行数学建模和参数估计，得到系统的差分方程或状态空间模型。

经验模型辨识方法则利用系统的输入-输出数据建立经验模型，这种方法不需要对系统做具体的建模，适用于复杂系统。

而神经网络辨识方法是通过训练神经网络模型来拟合系统的输入-输出数据，从而得到系统的模型和参数。

二、离散控制系统的参数辨识方法参数辨识是离散控制系统中常用的系统辨识方法之一。

参数辨识方法假设系统的数学模型已知，但其中的参数未知或者不准确，通过实验数据对这些参数进行估计。

在实际应用中，参数辨识方法可以分为两类：基于频域的辨识方法和基于时域的辨识方法。

基于频域的辨识方法主要利用系统的频率响应函数来识别参数，例如最小二乘法、极大似然法等。

而基于时域的辨识方法则是利用系统的时序数据来进行参数估计，例如递推最小二乘法、扩展卡尔曼滤波法等。

三、离散控制系统的经验模型辨识方法经验模型辨识方法是一种不需要假设系统的具体数学模型的系统辨识方法。

该方法通过将系统的输入-输出数据进行数据处理和分析，从中提取系统的特征，建立经验模型。

常见的经验模型辨识方法包括：自回归移动平均模型（ARMA）、自回归滑动平均模型（ARIMA）和动态线性模型（DLM）等。

这些方法都是通过对系统的输入-输出数据进行统计分析和数据建模，从中获得系统的经验模型参数。

一类非线性系统的模糊自适应辨识及稳定性分析

上述因素导致控制规则不能非常完善，而直接从
或间接地影响了辨识精度．将传统模糊理论与自适应理论结合用来进行系统辨识，是解决上述问
题的一个有效方法．献［］文３利用万能逼近定理证明了模糊辨识器能够在任意精度上跟踪任何非线性连续时间动态系统的输出，种辨识器的模这型以自适应模糊系统作为其基本的组成部分，并
前系统辨识的许多成果主要是针对于线性、时非
在现代控制理论中，态反馈控制器所采用状的模型是状态空间模型，系统内部状态动态特性可以用模型的状态变量来描述．为由状态变量因得到的关于系统动态和静态的信息比输出变量所能提供的信息更全面，因此，用状态变量构成的反馈控制律比用输出变量反馈构成的反馈控制律，可供选择的范围更大，同时闭环控制系统能实现更优秀的性能 … ．中，先设计模糊辨识器对文首系统未知部分进行辨识，然后设计控制器使系统
稳定．控制器中的状态反馈控制器使系统的线性
变系统，对于复杂的非线性系统，而尤其是非线性动态系统的辨识，一直是个难点问题．其原因是被控系统本身具有非线性、阶次、高时变性等特
点，并且被控过程中往往伴随有大量的随机干扰，

离散控制系统中的系统建模与辨识

离散控制系统中的系统建模与辨识离散控制系统是指根据一系列离散时间点上的取样数据进行控制的系统。

在离散控制系统中，系统建模和辨识是非常重要的环节。

系统建模是指通过数学模型来描述系统的动态特性和行为规律，而系统辨识则是指通过实验或数据处理的方法来确定系统的模型参数。

本文将介绍离散控制系统中的系统建模与辨识方法和步骤。

一、系统建模在离散控制系统中，系统建模的目的是找到一个准确描述系统行为的数学模型。

常用的离散控制系统建模方法包括差分方程法、状态空间法和传递函数法等。

1. 差分方程法差分方程法是一种基于时域离散数据的系统建模方法。

通过将系统的输入与输出信号用差分方程表示，可以得到系统的离散时间域数学模型。

差分方程法主要分为两种形式：一阶差分方程和高阶差分方程。

一阶差分方程适用于单输入单输出系统，而高阶差分方程可以描述复杂的多输入多输出系统。

2. 状态空间法状态空间法是一种基于状态变量的系统建模方法。

通过将系统的状态与输入输出联系起来，可以得到系统的状态空间方程。

状态空间法可以描述线性时不变系统和非线性系统，具有较好的可观性和可控性。

3. 传递函数法传递函数法是一种基于频域离散数据的系统建模方法。

通过对系统的输入输出信号进行傅里叶变换，可以得到系统的传递函数。

传递函数是系统的频率响应函数，可以直观地描述系统的频率特性和动态响应。

二、系统辨识系统辨识是指通过实验或数据处理的方法来确定系统的模型参数。

在离散控制系统中，系统辨识可以分为基于时域数据和基于频域数据的方法。

1. 基于时域数据的系统辨识基于时域数据的系统辨识方法主要包括最小二乘法、模型识别法和递推算法等。

最小二乘法是一种常用的参数估计方法，通过最小化预测误差的平方和来确定系统的模型参数。

模型识别法则是通过将系统的输入输出数据与一组候选模型进行比较，选择最优模型来确定系统的模型参数。

递推算法是一种逐步逼近的方法，通过不断优化模型的参数来逼近系统的真实模型。

基于RPROP-DE算法的模糊RBF网络非线性系统辨识

基于RPROP-DE算法的模糊RBF网络非线性系统辨识随着工业化以及科学技术的发展，非线性系统已经成为现代系统控制的热点研究方向之一。

而准确地识别非线性系统是系统控制的前置条件。

随着计算机技术的迅速发展，基于算法的非线性系统辨识方法也不断优化和创新，在其中，基于RPROP-DE算法的模糊RBF网络非线性系统辨识技术已经逐渐成为了一种较为成熟的方法。

首先，我们需要理解什么是模糊RBF网络以及RPROP-DE算法。

模糊RBF网络，是一种采用模糊逻辑来解决复杂的非线性问题的神经网络模型，其核心就是径向基函数，又称高斯函数。

径向基函数是RBF网络的线性基本单元，其特点是：以差值函数为基本函数，函数形式为高斯函数或多项式函数；可在单层网络上实现非线性分布式，输入与输出隐含于基向量寻优过程中；其寻优过程借助Ward连锁规则实现内部参数的自适应。

而RPROP-DE算法又是什么呢？RPROP-DE算法，是指将经典的RPROP算法结合差分进化算法思想而来的一种优化算法。

实际上，RPROP和DE都是在数值优化方面具有很高实用性的算法，以往基于RPROP和DE方法的研究都是针对单一的优化问题进行的。

而RPROP-DE算法是将RPROP和DE结合在一起的新型算法，在非线性系统辨识中的应用正日趋广泛。

综合以上两个核心技术，可以提出RBF-RPROP-DE模型，这种模型的设计初衷就是用于非线性系统的辨识。

该模型结合了模糊RBF网络和RPROP-DE算法的优点。

利用模糊RBF网络的非线性建模能力，可以逼近非线性系统的映射函数；而通过RPROP-DE算法结合误差平方和公式，可以在辨识过程中快速有效地对网络参数进行优化。

具体来讲，对于一个非线性系统，我们首先建立一个带有自适应参数的RBF网络的模型，然后利用RPROP-DE算法，在不停的迭代过程中，最小化优化函数误差，反向调节网络自适应参数的值，从而实现对非线性系统的辨识。

RBF-RPROP-DE模型的辨识过程是一个非常复杂的计算过程，主要包括以下几个步骤：首先建立带有自适应参数的RBF网络，其次利用误差平方和公式计算网络输出的误差，然后通过RPROP-DE算法调整网络的自适应参数以最小化误差，最后通过交叉验证等技术，验证模型精度和预测能力，确保模型的可靠性和鲁棒性。

非线性系统模糊辨识方法的研究的开题报告

非线性系统模糊辨识方法的研究的开题报告一、选题背景随着科学技术的不断发展，非线性系统的智能控制越来越受到人们的重视，非线性系统模糊控制已经成为智能控制中的一项重要技术。

非线性系统模糊辨识是模糊控制中的重要环节之一，它的研究对于实现非线性系统智能控制起着至关重要的作用。

二、研究意义非线性系统模糊辨识的成功研究对于实现复杂非线性系统的稳定控制、自适应控制、优化控制具有重要的意义，辨识方法的优化可以提高非线性系统的控制性能，增强非线性系统的鲁棒性能和自适应性能，大大提高了非线性控制系统的控制精度和可靠性。

因此，对于非线性系统模糊辨识的研究具有重要的理论和应用价值。

三、研究内容本研究主要针对非线性系统模糊辨识方法展开研究，提出一种基于模糊神经网络的非线性系统模糊辨识方法，并进行实验验证。

具体研究内容如下：1.非线性系统模糊辨识理论研究：深入研究非线性系统模糊辨识的理论方法，分析各种模糊辨识方法的优缺点，为模糊神经网络模型的构建提供理论依据。

2.模糊神经网络模型构建：根据非线性系统模糊辨识的理论，构建基于模糊神经网络的非线性系统模糊辨识模型，建立优化模型。

3.实验设计与数据采集：对待辨识系统构建实验平台进行实验数据采集，获得实际的辨识数据，为非线性系统模糊控制提供实验数据。

4.仿真实验及结果分析：将构建的辨识模型应用到实际非线性系统，实现非线性系统模糊辨识，并进行仿真实验与结果分析，验证所提出的非线性系统模糊辨识方法的有效性和可行性。

四、研究方法1. 文献研究法：运用信息检索、文献综述，查阅相关的非线性系统模糊辨识理论和技术，掌握国内外现有的非线性系统模糊辨识研究情况，为本研究提供理论基础和启示。

2. 实验研究法：对一个实际的非线性系统选定适当的输入信号经过实验采集大量的系统输入输出数据，通过模型结构和数据参数的优化，建立适用于该实际非线性系统的非线性系统模糊辨识模型，并进行仿真实验。

五、预期成果本研究力求解决非线性系统模糊辨识中的关键问题，提出一种基于模糊神经网络的非线性系统模糊辨识方法，并实现非线性系统模糊辨识与控制的目标，获得如下成果：1.建立基于模糊神经网络的非线性系统模糊辨识模型。

一类非线性系统的模糊自适应辨识

一类非线性系统的模糊自适应辨识摘要：本文针对一类含未建模动态的非线性系统，提出了一种模糊自适应辨识及稳定性分析方法。

该方法首先设计模糊辨识器对系统未知部分进行辨识，然后设计控制器使系统稳定。

仿真研究结果表明：本文提出的方法可以对非线性系统进行辨识，并使得整个系统稳定。

关键词非线性系统模糊自适应辨识稳定性一、引言系统辨识是通过观测一个系统或一个过程的输入、输出关系来确定其数学模型的方法，是控制理论中一个比较前沿、基础同时也是很重要的一个分支，近年来取得了较快的发展。

但是，目前系统辨识的许多成果主要是针对于线性、非时变系统，而对于复杂的非线性系统，尤其是非线性动态系统的辨识，一直是个难点问题。

本文针对一类单输入单输出非线性系统提出了一种稳定的组合自适应模糊辨识方法，在辨识系统设计中引入了自适应辨识补偿器来减小对跟踪误差的影响，在不要求最优逼近误差平方可积的条件下，利用设计Lypunov函数证明了系统的渐近稳定性。

二、问题描述考虑如下含未建模动态的非线性系统(1)式中，f为未知非线性函数，u∈Rn为系统的输入变量，x∈Rn是系统的状态变量，f(x,u):Rn×Rm→Rm为不确定性项和对象的非线性项，A、B为适维矩阵。

设计任务：用模糊自适应方法辨识非线性系统（1）并使之稳定。

三、辨识器的设计自适应模糊辨识器ui用来辨识未建模动态f(x,u)，取ui为ui=uD(x|θ)（2）其中，uD是一个模糊系统，θ是可调参数集合。

（3）采用乘积推理机、单值模糊器和中心平均解模糊器，则模糊系统的输出为式中，为xi的隶属度函数。

为自由参数，放在集合中，引入模糊向量ξ(x)，式（4）变为uD(x|θ)= θTξ(x)（5）四、控制器的设计选取控制律为：u=uL-ui（6）其中，uL为状态反馈控制器uL=Kx(t) (7)反馈增益K使得A+BK的行列式是赫尔维茨行列式。

ui为辨识补偿器ui=uD(x|θ) (8)其中，uD(x|θ)由自适应模糊逻辑系统构造。

带有不确定项的非线性离散时滞系统H∞模糊滤波器设计

ｆ（ｘｋ＋１＝Ａ＋Ａ（）（）＋（）＝＝（Ａ忌）忌Ａ＋ △Ａ（）ｘ（愚）ｋ— ｄ）＋Ｂ ∞（）是
ｌ是（）一（＋ △ ｉ愚）（）（＋ △ （）ｘｋｄ）Ｄ０（ＧＣ（）ｘｋ＋ｃｃ忌）（ — ＾＋３
过数值例子证明了设计方法的有效性。
１问题描述
考虑带有不确定项的非线性离散时滞系统的Ｔ—Ｓ模糊模型
Ｒｕｅｉｆｌ走ｉＮａｄ … ａｄ口（）ｉｌ：ｉ口（）ｓｎｎｐ忌ｓＮ，ｔｅｈｎ
１（）一ＥＸ忌＋ＥＸ忌一ｄ）愚ｚ（）（＾【忌（）一（）ｋ一一ｄ一ｄ忌，Ｍ，Ｍ＋１ … ，，０
收稿日期：０１—０ —０２１６９
基金项目：国家自然科学基金资助项目（１７０８６０４０）
作者简介：］ｌ（９５）女，宁灯塔人，士研究生，￥：１８一，辽￣ｆ硕主要从事系统与控制理论的研究。
ｌ４
青岛大学学报（程技术版）工
第２６卷
式中，（）∈ Ｒ为状态向量；志 ∈ Ｒ忌（）为测量输出向量；（）ｚ尼ＥＲ为被估计的信号向量；是 ∞（）ＥＲ为干
文章编号：１０ —９９（０１００６７８２１）３—０１ —００３６
带有不确定项的非线性离散时滞系统Ｈ∞ 糊滤波器设计模

一种基于模糊规则的非线性系统快速模糊辨识方法

Ｍａ２０ｖ０２
一
种基于模糊规则的非
刘福才一，关新平，襄润
（暗尔滨工业太学航无学院控制工程系，哈尔滨１００；燕山太学电气工程学院自动化系．秦皇岛０６ｏ５０１６Ｄ４
圉模糊ｆ曼子模往算码单统中Ｕｉ过有利关；通，糊法性论给Ｆ习用辨的＃法该建模法Ｊ而并摘Ｐ后识糊学是过提仿方圈时ｔｋ和键。参程救的识模定嗍卡模－Ａ空相ｈ滤真分模数与结有糊ｅｎ误新基糊样的要建于出间词间著ｓ复尔于文波隶比糊复了差类划划本果效模分在属曼输杂一证方方献算反：最规模杂针分整糊馈所短则气系号入个种明模法标法虚性，Ｂ简滤；；聚，法型，各了对中识模需空计类：的辨方糊模问数与糊题波间ｘ。最卡据Ｔ名的，炉该ｎ煤以结算辨的实．算ｏＰ尔方ｅ识ｎ用Ｃｉ法Ｉ５
１引言
基于模糊规则的系统已经成功应用于许多控制领域。从根本上说，于模糊规则的系统对于模拟实际应用中的不基
于在线辨识与控制。在结论参数辨识过程中，Ｋｎ提出了ｅ
一
ｓｂｐｃｔｈＯＬｅｕｎ￣ｐｒｍｅｅｄｎｆａｏｂａｎｄｂｓｎｌｎｆｔｒｎｌｏｉｍｕｓａｅｗｉｔｅＣＩｑｅｃｈＳａａｔｒｉｅｔｃｔｎｏｔｉｅｙｕｉｇＫａｍａｌｉｇａｇｒｔｓｉｉｉｉｅｈ
ｌｏｔｍＦｎｈｆｃｉｎｓｎｒｃｉｂｆｖｏｓｍｔｄｉｅｎｔａｅｙｔｉｌｔｎ螨ｕｔｏｅａｇｒｈ．＇ａｙｔｅｅｅｔｅｅｓａｄｐａｔａｉｔｆｔｉｅｏＳｄｍｏｓｒｔｄｂｅｓｉｍｖｅｉｈｈｈｍｕａｉｏｌｔｓｆｈ

一种非线性时变系统小波网络辨识算法

一种非线性时变系统小波网络辨识算法
刘建春;王正欧
【期刊名称】《系统工程学报》
【年(卷),期】2002(017)005
【摘要】提出一种可对任意非线性时变系统进行辨识的新方法,即基于小波神经网络的带自校正移动窗的递推最小二乘算法.与现有的神经网络辨识算法不同,该算法是根据被估权值时变速度的快慢来自适应地调整移动窗的长度,以跟踪非线性时变系统的动态特性.文中推导了算法,并将全局算法进一步推广成不含任何矩阵运算的局部算法以提高算法的实时性能.几个典型的系统辨识仿真实例显示出这种方法具有跟踪精度高和计算简便的良好性能.
【总页数】6页(P401-406)
【作者】刘建春;王正欧
【作者单位】天津大学系统工程研究所,天津,300072;天津大学系统工程研究所,天津,300072
【正文语种】中文
【中图分类】N945.14
【相关文献】
1.基于前向神经网络的非线性时变系统辨识改进EKF算法 [J], 于开平;牟晓明
2.基于前向神经网络的非线性时变系统辨识的改进递推最小二乘算法 [J], 于开平;牟晓明
3.一种基于自适应小波网络的非线性控制算法 [J], 尚安利;刘陵顺;顾文锦
4.一种线性时变系统辨识的递推算法设计及实现 [J], 谢宏;何怡刚
5.一种新的小波网络设计方法及其在非线性模型辨识中的应用 [J], 陈得宝;李淮江;姜文彬
因版权原因，仅展示原文概要，查看原文内容请购买。

非线性系统模糊辨识的新方法

非线性系统模糊辨识的新方法
邵青;冯汝鹏
【期刊名称】《控制与决策》
【年(卷),期】2001(16)1
【摘要】提出一种新的基于 T- S模型的模糊辨识方法 ,其特点是考虑了样本距离和“可线性化程度”两个因素 ,对模型的前后件参数同时辨识 ,提高了辨识精度 ,并提出规则“置信度”的概念 ,实现了辨识的结构自适应。

将该辨识器用于一类非线性系统的模糊辨识。

【总页数】4页(P83-85)
【关键词】非线性系统;模糊辨识;T-S模型;系统辨识
【作者】邵青;冯汝鹏
【作者单位】哈尔滨工业大学控制工程系
【正文语种】中文
【中图分类】O231.3
【相关文献】
1.基于一种新模糊模型的非线性系统模糊辨识 [J], 刘福才;关新平;裴润
2.稳态估计与动态辨识相结合的辨识非线性系统的新方法 [J], 黄正良;万百五
3.一类基于模糊辨识器的非线性动态系统辨识 [J], 张绍德
4.一种基于模糊规则的非线性系统快速模糊辨识方法 [J], 刘福才;关新平;裴润
5.基于模糊聚类的非线性系统模糊辨识算法 [J], 刘福才;马丽叶
因版权原因，仅展示原文概要，查看原文内容请购买。

非线性系统的模糊辨识方法与应用研究

非线性系统的模糊辨识方法与应用研究随着科学技术的飞快发展，非线性系统的研究也逐渐深入，非线性问题已成为科学技术领域中的热点之一。

然而，非线性系统的动态特性较为复杂，研究起来也较为困难，为此，科学家们不断探索新的方法对非线性系统进行研究。

其中，非线性系统的模糊辨识方法得到了越来越多的关注和应用。

模糊辨识是指用模糊数学的理论和方法对非线性、模糊或不确定系统进行建模和分析，从而获得系统的模糊模型。

模糊理论的重要特征是能够在不知道数据分布的情况下，对事物进行模糊化处理，从而在一定程度上消除了数据所包含的噪音。

模糊辨识在非线性系统建模方面具有很大的优势，可以直接处理非线性问题中不确定的部分，并将其表示为模糊量，从而建立起系统的模糊模型，为非线性系统的研究提供了新的思路和方法。

模糊辨识方法在非线性系统的建模中具有广泛应用，其中最常见的应用是在控制系统中。

控制系统中的非线性问题较多，例如：非线性传感器、非线性执行机构、非线性干扰等。

这些非线性特性的存在将使得控制系统的性能和稳定性受到很大影响，进而影响到整个系统的运行效果。

针对这些问题，模糊辨识可以通过将系统的非线性特性转化为模糊量进行建模，从而设计出相应的模糊控制器，实现对非线性系统的精确控制。

除了控制系统外，模糊辨识方法还被广泛应用于信号处理、图像处理、模式识别等领域。

例如在图像处理中，通过将图像的像素值转化为模糊量进行建模，可以实现对图像的特征提取和图像分割等一系列操作，从而大大提高了图像处理的效率和准确性。

对于非线性系统的模糊辨识方法和应用研究，还有许多问题有待解决。

例如如何提高模糊辨识的准确度和效率、如何完善模糊控制器的设计和优化方法等。

这些问题的解决将会为非线性系统及其在实际应用中的推广和发展提供更加坚实的基础与支撑。

总之，非线性系统的模糊辨识方法为非线性系统的建模和控制提供了一种新的思路与方法，极大地方便了实际应用中的非线性问题的解决。

在今后的研究与应用中，我们应继续深入探索非线性系统的模糊辨识方法及其应用，将其更好地应用于实际问题中，取得更好的研究和应用效果。

一种基于模糊规则的非线性系统快速模糊辨识方法

第14卷第5期系统仿真学报 Vol. 14 No. 5 2002年5月JOURNAL OF SYSTEM SIMULATION May 2002 文章编号：1004-731X (2002) 05-0547-04一种基于模糊规则的非线性系统快速模糊辨识方法刘福才1, 2，关新平2，裴润1(1哈尔滨工业大学航天学院控制工程系, 哈尔滨 150001；2燕山大学电气工程学院自动化系, 秦皇岛 066004)摘要：针对以往模糊建模方法中算法过于复杂的问题，提出了一种简单而有效的复杂系统模糊建模新方法。

该方法是基于输入空间的模糊划分，计算给定样本在各模糊子空间的隶属度，并利用卡尔曼滤波算法辨识模糊模型的结论参数。

整个辨识过程与模糊聚类方法[8]和误差反馈学习方法[5]相比所需的CPU时间最短。

最后通过著名的Box-Jenkins煤气炉数据[7]仿真结果证明了该方法的有效性与实用性。

关键词：模糊辨识；模糊划分；模糊if-then规则；卡尔曼滤波算法中图分类号：TP15 文献标识码：AA Fast Fuzzy Identification Method in Nonlinear SystemBased on Fuzzy Logic RulesLIU Fu-cai1,2, GUAN Xin-ping2, PEI Run1(1 Department of Control Engineering, Harbin Institute of Technology,· Harbin 150001, China;2 Department of Automation, Yanshan University, · Qin-Huangdao 066004, China)Abstract: In accordance with the problems that the algorithm is too complex in the past fuzzy modeling methods, this article proposes a new method of fuzzy modeling for complex system. The method is simple and powerful. This method is based on fuzzy partition of input space, and it calculates the grade of membership of given p atterns in each fuzzy subspace with the consequence parameters identification obtained by using Kalman filtering algorithm. The whole identification process takes much less CPU time than the fuzzy clustering method and the error-feedback learning algorithm. Finally the effectiveness and practicability of this method is demonstrated by the simulation results of the famous Box-Jenkins gas furnace data.Keywords: fuzzy identification; fuzzy partition; fuzzy if-then rules; Kalman filtering algorithm1 引言基于模糊规则的系统已经成功应用于许多控制领域。

基于T-S模型的非线性系统模糊聚类辨识方法

维普资讯
ＣｍｕｅｎｅｒｇａｄＡｐｉａｏｓｏｐｔｒＥｎｅｉｎｐｌｔｎ计算机工程与应用ｎｃｉ
２０，３２）２９０７４（９３
基于ＴＳ模型的非线性系统模糊聚类辨识方法 —
李目，２刘祖润２年晓红３谭文２，，
ＬＩｕ，ＵＺｕ— ｕＮＩｎＬＩｒｎ，ＡＮＸｉｏｈｎ。ｔａ．ｅｈｄｆｎｎｉｅｒｙｔｍｓｄｎｉｃｔｏｗｉｆｚｙｌｓｅｉｇａｅｏａ－ｏｇｅ１ｔｏｏｏｌａｓｓｅｉｅｔａｉｎＭｎｉｆｔｕｚｃｕｔｒｎｂｓｄｎｈ
ｆｃｔｉａｉａｔｅｈｖｅｍｐｏｅｔｇｎｅａｉａｉｎｂｉｉａｓｈａｅｅｏｖｄｈｅｙｔｍｐｒｂｌｍｏｈｃｍｐｌａｔｄｏｎ，ｎｄｈｎａｉｒｖｄｈｅｅｒｌｚｔｏａｌｔｌｏｙ，ｖｒｓｌｅｔｓｓｅｏｅｆｔｅｏｉｅｄｅｒｅｘ］ｃｇｅｅａ一
ＴａａｉＳｇｎｄ１ｍｐｔｒＥｎｉｅｒｎｎｋｇ－ｕｅｏｍｏｅ．ＣｏｕｅｇｎｅｉｇａｄＡｐｐｉａｉｎ，０７，３２：３－４．ｌｔｓ２０４（９）２９２１ｃｏ
ＡｂｓｒｔＡｍｅｈｏｏｎｉａｓｓｅｓｄｅｔｆｃｔｏｗｉｈｕｚｙｌｓｅｉｓｄｎｔａｃ：ｔｄｆｎｏｌｎｅｒｙｔｍｉｎｉａｉｎｉｔｆｚｃｕｔｒｎｇｂａｅｏＴ－Ｓｍｏｌａｂｅｐｒｏｅｉｔｉｐ — ｄｅｈｓｅｎｏｐｓｄｎｈｓａ

一种基于模糊逻辑的非线性系统故障检测与定位的方法

一种基于模糊逻辑的非线性系统故障检测与定位的方法刘志言;沈毅;刘宜平【期刊名称】《控制理论与应用》【年(卷),期】2001(018)002【摘要】针对一般非线性系统，提出了一种带故障标志的系统故障模糊模型，基于此模型给出了一种非线性系统故障检测与定位的新方法.它采用模糊聚类算法提取故障系统的模糊规则，进而完成系统故障的检测与定位.该方法对噪声污染具有较强的抑制作用，对模型误差亦无较高的要求.仿真结果表明所提方法对非线性系统的故障可以及时准确地完成检测与定位.%A new fuzzy model with symbols for faults in system is proposed. Further, based on this model, a new method for fault detection and location in nonlinear systems is developed. The method extracts fuzzy rules by fuzzy cluster algorithms to perform fault diagnosis. It can be still efficient when there exist noise and model error. Finally, the simulation results demonstrate the effectiveness and feasibility of the proposed method.【总页数】4页(P234-237)【作者】刘志言;沈毅;刘宜平【作者单位】哈尔滨工业大学控制科学与工程系;哈尔滨工业大学控制科学与工程系;哈尔滨工业大学控制科学与工程系【正文语种】中文【中图分类】TP13【相关文献】1.一种基于DTU的配电网单相接地故障检测和定位方法 [J], 杜东威;许永军;金红卫2.一种基于模糊逻辑算法的移动机器人仿生气味源空间定位方法 [J], 赵智琦;房建东3.一种基于二分图故障检测模型的软件故障定位方法研究 [J], 王耀宣;叶俊民;陈静汝;欧中红4.一种基于模糊逻辑的室内定位方法 [J], 苗浩轩;王景成;李创;费灵;刘正峰5.一种基于故障检测与模糊逻辑的姿态估计方法 [J], 胡锐;薛晓中;赵世峰;杨云春因版权原因，仅展示原文概要，查看原文内容请购买。