一种基于进化聚类的动态TSK模型建模方法1AModelingApproachof.pdfVIP

一种基于进化聚类的动态TSK模型建模方法1 张 烃，刘建成，李树旺 (中南大学信息科学与工程学院，长沙 410075) 摘 要：在一种进化聚类算法（ECM）的基础上提出了一种新的动态TSK模糊模型的建模算 法。以往许多神经模糊模型都不适用于自适应在线学习，而本文模型能实时地调整模糊规则 库及规则参数，具有较强的在线学习能力。仿真结果表明，该方法是有效的。 关键词：进化聚类算法；TSK模糊模型；模糊规则；在线学习 中图分类号：TP13 文献标识码：A AModelingApproachofDynamicTSKModelbasedon EvolvingClusteringMethod ZHANGTing,LIUJian­cheng (SchoolofInformationScienceandEngineering,CentralSouthUniversity,ChangSha410075) Abstract：On the basis of a evolving clustering method（ECM）, a new modeling approach of dynamic TSK fuzzy model is proposed. In the past, several neuro­fuzzy models are not suitable for adaptive on­line learning, but the model proposed here can real­time adjust the fuzzy rule base and rule parameters, so it has powerful ability of on­line learning. The results of simulation demonstratetheeffectivenessoftheproposedmodelingapproach. Keywords：evolvingclusteringmethod;TSKfuzzymodel;fuzzyrule;on­linelearning 0 引 言 [1] 许多研究表明，目前一些较为流行的神经模糊模型及算法都不适于自适应在线学习 ， 如采用BP算法的模糊多层感知器MLP、模糊径向基函数网络、自组织映射网络SOM等等。 因此，利用具有在线学习能力的神经模糊模型进行实时预测及控制已成为神经模糊建模领域 的焦点。本文将一种具有在线进化能力的聚类算法ECM与TSK模型相结合，构成了一种动 态TSK模糊模型，其优点是：利用ECM构造模型的初始结构，并在新的样本数据到来时实 [2] 时地调整模糊规则前件参数，缩短了学习时间；TSK模型 其结论部分采用线性局域模型代 替了模糊数，可用少量规则生成复杂的非线性函数，使得此模型结构简单、逼近能力强并能 大大降低学习过程中计算复杂度。 1 进化聚类算法（ECM） 进化聚类算法是一种进化的、在线的、受到某一最大距离约束的聚类算法。它随着输入 的样本数据的不断增加，实时动态地增加聚类个数或调整聚类中心及聚类半径。因此，ECM 适于构成实时控制及预测系统。在形成的任意一个聚类中，聚类中心与属于此聚类的样本点 Dthr Dthr 的最大距离都不大于一个阈值 。 的选取将直接影响到聚类个数。 其具体算法描述如下： 1X 01Cc 1）创建第一个聚类。将第一个样本数据点 作为第一个聚类中心 ，并令聚类半径 10Ru 。 基金项目：湖南省自然科学基金(04JJY6036)资助 作者简介：张烃(1981­)，男，中南大学硕士生，主要研究方向为模糊建模与计算智能