论文部分内容阅读
系统辨识是对输入和输出观测数据的基础上,在一类系统中确定一个与被辨识系统等价的系统。对于线性系统辨识的研究理论已经趋于成熟,但是,在现实生活中,实际系统几乎都是非线性系统。在对非线性系统做数学建模分析时则往往需要进行系统辨识,从而非线性系统辨识已经成为了当今自动控制领域共同关注的课题。目前,在现有的各种非线性系统辨识方法里,Takagi-Sugeno(T-S)模糊模型可用少量的模糊规则生成复杂的非线性函数,这在处理多变量系统时能有效地减少模糊规则个数,产生了巨大的优越性。因此,对T-S模型的辨识显得尤为重要。 差分进化算法是由Berkeley大学的Storn和Price于1995年提出的一种新的智能优化算法。由于其结构简单、参数少、容易实现,因此,已被成功地应用到控制设计、控制工程、信号处理、模式识别、运筹学等诸多领域。本文给出了一种改进的差分进化算法,并将其应用于对T-S模型的参数辨识中。主要工作如下; (1)总结和分析了模糊建模方法的研究现状和发展趋势,重点详述T-S模糊模型系统,又对基于模糊模型的非线性系统辨识的理论进行了归纳总结,同时提出研究的重点和难点。 (2)分析了标准差分进化算法的优缺点,针对它的一些缺点,提出了一种改进差分进化算法。该算法同时利用自适应缩放因子和自适应变异算子改进了标准差分进化算法的变异操作部分,从而有效地克服了标准差分进化算法的过早收敛和不稳定性等缺点。最后,在仿真中,与已有的方法进行了比较,仿真结果表明了该算法的可行性。 (3)为了改进对T-S模型的辨识效果,本文将改进的差分进化算法应用于对T-S模型的参数辨识问题,达到了较高的辨识精度。最后,在仿真试验中,与其它已有方法进行比较,仿真结果说明所给的参数辨识方法是合理的和有效的。