论文部分内容阅读
由于实际的复杂工业过程常常具有强非线性、不确定性、多变量、强耦合以及工况变化频繁等特点,很难建立其精确的数学模型描述,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的控制效果。查德提出的模糊集合理论为不能用精确数学模型表达的复杂或病态系统提供了一种有效的建模方法。自此,人们开始将模糊概念引入到了模糊建模中,并进行了大量的研究。然而由于非线性复杂系统是非常复杂的,有很多尚待解决的问题。本文仅仅围绕着非线性系统的模糊建模和辨识方法展开讨论和研究。本文针对传统FCM(Fuzzy c-means)算法对初始值设定敏感而影响聚类效果、训练速度慢、在迭代时容易陷入局部极小等缺点,提出了将减法聚类和FCM算法相结合的方法用于T-S模糊模型结构的辨识。首先用减法聚类算法找到模糊聚类中心的迭代初值,然后再用FCM算法进行聚类的方法来提高聚类的收敛速度和聚类效果。接着采用最小二乘法进行结论参数的辨识,从而得到初始的T-S模糊模型,在此基础上构造基于T-S模糊模型的神经网络结构来进行参数精调,取得了比较满意的效果。由于最小二乘法属于梯度法,存在容易陷入局部极小的缺点,且以往的模型的结构和参数是分开来进行优化的,通常是两个步骤反复交替无数次才能获得最终的模型。为了进一步提高T-S模糊模型的辨识精度和收敛速度,达到全局最优,本文还提出了一种新颖的基于全局收敛的遗传算法(Genetic Algorithms)整体优化模糊系统模型的方法。即将模型的结构和结论参数整体进行编码,通过制定合理的编码规则,选择合适的遗传算子,达到模型优化的目的。该方法解决了模型的结构和参数同时优化的问题,在加快收敛速度和提高辨识精度方面取得了很好的效果。最后通过选取具有代表性和普遍性的实例在MATLAB中对所提出的算法进行仿真分析和比较,结果验证了本文提出的方法具有辨识精度高、逼近能力强和全局收敛等优点,为非线性复杂系统的建模提供了一条实际有效的途径。