论文部分内容阅读
传统的T-S模型辨识方法，如模糊C均值聚类（FCM）算法与最小二乘法结合的辨识方法，常导致无法找到最优解，因为其仅基于一组前件参数得到最优的后件参数。这种方法通常会在复杂多维的参数空间内陷入局部极值点。为了解决这个问题，本文设计了一种混和辨识算法(HIA)，通过将和声搜索算法(HS)、FCM算法与最小二乘法有机结合，实现前件参数和后件参数的同时优化。算法的精髓在于引入了误差反馈机制。仿真结果显示，相对于传统的辨识方法，该方法能够有效避免寻优过程陷入局部极值点的问题，并且能够获得更高的辨识精度。