非线性系统的模辨识方法与应用研究.pdfVIP

摘要 模糊模型是当前系统辨识方法中经常用到的模型，它具有能够有效地综合利 用专家知识和系统的输入输出数据的能力，并且得到的模型相对其它黑箱模型来 说具有可解释性。目前为止，已经有很多模糊建模方法被提出来，然而，仍然存 在着许多待解决的问题。 本文中，将研究的问题集中在下面三个方面：模糊模型的结构辨识，模型的 精确性和可解释性问的平衡，模型的参数辨识： 一、模型的的结构辨识和参数辨识。在这里采用模糊c均值聚类的方法从数 据中获取模糊规则前提部分的模糊集。模糊聚类依据输入数据空间上的相似度测 试逐渐地将输入输出数据分成组，然后从每组中选择一条零阶或一阶Ts形式的 模糊限唧N规则，以组成一个初步的模糊规则库，此规则库可以直接用作模糊 推理或用参数辨识的方法进行优化。与其它方法相比，这种获取规则的方法具有 能以更小的代价获得更简化的模型的优点。 二、模型的精确性和可解释性间的平衡。模糊建模相对于其他建模方法最大 的优点就是其结果具有可解释性。就目前的研究情况来看，不论何种方法，获取 的模型都较复杂，模糊集合重叠，具有很大的冗余。从得到的结果中我们很难解 释每个模糊集的物理意义。这里使用基于相似度合并方法提供了一个较为合理且 快速的模糊集合并机制，藉此减少模型的复杂性，并可避免一般聚类方法容易产 生多余模糊集的问题。 三、模型的参数辨识。得到初步的模糊规则库后。将这个Ts模糊模型融合到 神经网络结构中，利用神经网络的学习能力调节模型参数。主要讨论误差反向传 播学习方法和一种混合学习方法。 这三个方面侧重点不一样，同时这三个方面是相辅相成的，在研究具体的问 题时它们之间是一个反复完善的过程，可以依据对模型要求的不同，具体安排。 仿真及实验结果表明模糊建模方法能有效地建立非线性系统模型，模型较好 的精确性。相对于其它建模方法而言，得到的模型具有可解释性，可能用专家知 识等优点。 关键词：非线性系统辨识，模糊系统，混合式学习算法，模糊C聚类，可解释 性 ABSTRACT modelhasbeen asa toolwhichcanfacilitatetheef- Fuzzy recognizedpowerful fective ofmodels informationfromdifferent developmentbycombining sources，such as orthe data．Andthe modeis，theexpert system empirical knowledge input-output resultmodelismore thanotherblack-box nOWthereare interpretable methods．By manytobuildthe therealsoare80lneunsolved way fuzzymodel，but problems． In willdiscusshowextract this to themodelfrom thesis，we input-output system toinsurethemodel and will data，how precisioninterpretability．W-ediscuss脚