论文部分内容阅读
针对广义Takagi-Sugeno(T-S)模糊模型训练中存在的高维、非线性、混合参数估计问题,提出了一种基于混合协同粒子群优化的广义T-S模糊模型训练方法。该方法用离散二进制微粒位置表示模型的结构参数,用普通微粒位置表示模型规则中模糊集隶属函数的参数;这两种微粒位置联合体构成一个模型完整的模型前件参数集。两种群通过协同进化优化所有前件参数;模型后件参数用卡尔曼滤波算法估计。该方法不要任何先验知识,能产生紧凑的、泛化性能较好的模糊模型。函数逼近的数字仿真说明了该方法的有效性。