T-S模糊系统具有线性规则后件的特点,被广泛应用于基于数据建模的应用中。模糊系统辨识是模糊系统建模的主要手段,优化模糊系统结构是模糊系统辨识的关键。在模糊系统辨识的常用方法中,模糊聚类算法在处理大样本的情况更具有优势,从而提高了模糊系统的辨识效率。为了实现优化的模糊系统结构,模糊规则数的确定则是关键。因此本文针对以上问题做出以下工作:1、为了提高模糊系统的辨识效率,本文首先对模糊系统的建模方法——基于目标函数的模糊聚类算法进行研究。由于FCPM聚类算法能够有效的找到聚类的中心点,协同聚类算法可以使隶属度更加的精确,本文在FCPM聚类算法的基础上进行改进,和协同聚类算法相结合,提出了一种协同的CFCPM聚类算法。由于CFCPM算法在聚类的中心点和隶属度上都有所改进,提高了对数据集的聚类效果。在对数据集wine进行测试的结果表明,该方法的有效性。2、在CFCPM的基础上,本文进一步提出了新的模糊系统建模方法,该方法由两步组成:1)采用基于特征相似性的特征选择方法,去除原始数据的冗余;2)利用协同模糊聚类与G-K相结合的算法初始化模糊模型,使前件和后件参数得到优化。采用该算法对有效的特征进行协同模糊聚类,前后件参数得到改善,提高了模糊系统的辨识效率。模糊建模的实验结果,表明了该方法的有效性。3、在协同G-K聚类算法模糊建模的基础上,对T-S模糊系统结构进行优化,提出了规则可生长和修剪的T-S模糊系统的辨识。此方法以绝对误差为指标,从实际数据中提取T-S模糊系统的模糊规则,并根据每个规则对应局部模型对输出的影响,判断是否删减规则。整个算法完全实现了T-S模糊模型的在线辨识,使模糊系统的结构参数具有自适应的能力。在保证T-S模糊模型精确度不降低的情况下,实现了对模糊系统的结构的优化。