论文部分内容阅读
通常离线提取T-S模糊模型的规则后，规则数无法在模型使用中进行调整，而这成为表达非线性系统复杂性的一个瓶颈．针对这一问题，本文引入一种神经网络的生长和修剪方法，从实时数据中提取T-S模型的规则，并定义其对应局部模型对输出的影响，以此作为在线调整规则数的依据，从而更准确地表达了非线性系统的复杂性和运行中的变化．再加上基于竞争性EKF（Extended Kalman filter）的模型参数在线学习，T-S模型的建模精度也得到了保证．整个算法完全实现了T—S模糊模型的在线辨识，使模型的结构和参数具有很好的自适