论文部分内容阅读
系统辨识是控制理论研究的一个十分重要的分支,是控制系统设计的基础。多年来,对于线性、非时变系统的辨识已取得了很大的进展。但是,随着人类社会的发展进步,越来越多的非线性现象和非线性系统已经引起了研究者们广泛关注,而建立描述非线性现象和非线性系统的模型是研究非线性问题的基础。由于具有复杂非线性的系统不能简单地用线性模型来描述,所以研究非线性系统建模方法有着很重要的实际意义。
对于非线性系统的辨识,目前还存在着很多困难,常用的方法有两种:一是用多线性模型在平衡点附近近似描述非线性系统,这对于严重的非线性系统如何做到平稳切换,减小系统误差仍然缺乏有效的手段;二是根据被控对象已知的信息,选择与之相近的非线性模型。模糊模型辨识就属于后者,由于其具有可以在任意精度上逼近任何非线性函数,能够得到被控对象的定性与定量相结合的模型等优点,而受到广大学者的青睐。
本文提出了一种基于数据场聚类的模糊神经网络建模方法。首先,通过数据场聚类对实验数据样本进行规则自提取,得到模糊神经网络模型的初始参数。然后,输入训练样本对网络模型进行训练,当拟合误差小于期望误差时,停止训练,从而获得模型参数,进而确立模型。最后,用测试样本检测模型的泛化能力并计算预测误差。此聚类算法可以在线地划分输入数据,自己组织模糊神经网络的结构,且不需要知道输入数据的分布情况。随着输入数据的增多,规则数将自动增加,并且训练完的模糊神经网络无矛盾规则。
为了验证模糊神经网络此算法的有效性,本文将其应用到非线性单入单出和多入单出的动态系统辨识中。仿真结果表明,此模型可以很好的辨识非线性系统,并且在提取规则方面具有不依赖于模糊规则初始参数的选择,能够识别任意大小和密度的非球形规则以及对噪声数据不敏感等优点。