基于矩阵QR 分解的模糊模型结构分析-09马国梁.docVIP

基于矩阵QR 分解的模糊模型结构分析 马国梁 （控制科学与工程学院 模式识别与智能系统 2009010219） 摘　要　研究用矩阵QR 分解分析一类模糊模型的结构, 用模糊统计信息判据指导规则的精简, 用R 矩阵的主对角线元素分布与模糊规则的关系确定重要规则、 冗余或不重要规则, 实现模糊模型结构优化。该方法已成功地应用于M ackey- Glass 浑沌系统建模。 关键词　模糊模型, 模糊统计信息准则,QR 分解, 最优结构辨识, 非线性动态建模 一：问题背景 模糊模型的最优结构要求模糊模型的规则尽可能覆盖整个输入输出映射空间, 而又力求模糊模型的规则尽可能少, 使模型具有良好的泛性。研究表明, 寻求在一定性能指标下的最简模型结构具有 3 方面优点: 1) 防止模型的过拟合; 2) 简单的模型便于解释和理解; 3) 最简模糊模型对于因系统参数摄动、 工作点漂移、 时滞变化引起的变化具有良好的鲁棒性。构造最优模糊模型的关键是模型的结构辨识, 有的应用SVD—QR 分解研究了模型结构设计,有的根据统计信息准则提出模糊模型的统计信息准则, 应用SVD 方法实现模型结构优化。 本文构造以模糊聚类为基础的Takagi- Sugeno - Kang 型模糊模型(TSK 模型) , 直接运用矩阵列主元QR 分解对模糊模型的前件推理矩阵进行结构分析, 利用QR 分解的信息识别 因数据噪声或知识表达不确切而造成模型结构冗余; 在模糊统计信息准则指导下选择最优的规则集, 在保证模型精度和泛化能力的基础上, 实现最优模糊模型构造。最后以著名的M ack2ey- Glass 浑沌序列建模证明了本文方法的有效性。 二：问题求解 1　一类模糊模型的描述 在非线性系统模糊建模和控制系统中, 模糊系统推理规则的前件常用单点模糊化、 高斯型(或三角型)隶属函数、 Sup - p roduct 合成推理, 模糊规则的后件为常数型或输入变量的线性组合。对于多输入单输出模糊系统, 这类系统可用著名的TSK 模型统一描述, 即 其中, 为输入向量, y 为输出变量, 是输入模糊子集,M 是规则数, 是后件系数。当在前件合成推理采用乘积推理和重心解模糊化时, 模糊模型的解模糊化输出为 式中, 是第l条规则的前件第k 个输入模糊子集的隶属函数, p l (x) 是第l条规则的前件推理结果。 当输入空间采用模糊聚类作为一种模糊划分, 前件隶属函数采用高斯型函数 其中c 是聚类中心向量, 可用多种聚类算法求得; r 是对应的聚类半径, 本文采用FCM 聚类算法。 应当指出, 本文提出的模型分析方法只要求前件推理结果与后件函数具有线性关系, 对合成推理算子、 输入空间模糊划分和后件表示没有特殊要求。 2模糊模型结构的QR 分解与模型结构优化 　列主元QR 分解算法: 设给定P ∈ (n m ) , rank (P ) = r≤m , 并有正交矩阵Q ∈, 置换阵0 ∈, 则有矩阵P 的列主元QR 分解 式中是上三角阵, 其主对角线元素的绝对值按降值排列。 设有N 对数据样本{x (k ) , y (k ) }, k = 1, 2, …,N , 令(1) 式的后件。 如果用(1)式逼近未知系统, 则可由以下的特殊的线性回归方程表示, 并写成向量与矩阵形式 （5） 其中, y = (y (1) , y (2) , …, y (N ) ，P=（p(1),p(2),…，P(N), 。并称 P 为前件推理矩阵, 是后件向量, 是残差向量。 对P 进行QR 分解是处理秩亏损的最可靠方法之一, 对上式的P 进行QR 分解, 则有 式(5) 中矩阵P 的秩意义如下: 如P 满秩, 表明P 所对应的输入空间聚类线性独立; 如P 秩亏损, 输入空间存在线性相关的聚类, 在聚类所对应的规则集中包含了一些冗余规则。 当主对角线元素的绝对值非常小时, 表明对应的规则(或聚类) 对模型的贡献非常小。 秩亏损和一些特别小的值的起因一般与数据中含有噪声或专家知识冗余有关。 对矩阵P 进行QR 分解, 要解决两个基本问题: 1) 在模糊模型中, 模糊规则对模型的贡献 大小, 可由R 的主对角线元素绝对值(包括零) 按降值排列来表明; 2) 根据主对角线元素绝对值变化分别确定要保留、 要删除或要合并的规则各自在矩阵P 中的列号, 置换阵 0 的列向量中元素为1 的行号恰好就是对应于P 的列号。 应用FS IC 准则和矩阵P 的QR 分解, 将模型的FS IC 准则最小或适当小作为最优性能指标, 在初步选择的模型基础上, 经过若干次迭代简化就可找到问题的最优解或合理解。 3应用实例 　M ackey - Glass浑沌模型是检验非线性动态系统建模的重要例子[4 ]，,M - G 模型由如下大