模糊建模与模糊辨识.pptx

第三章 模糊建模和模糊辨识;3.1.引言;3.2.模糊模型的类型与分割形式;3.2.2 Takagi-Sugeno模糊系统; T-S模糊系统可以用任何线性映射作为输出函数。把一个线性动态系统作为输出函数的映射，这样第i条规则的形式如下： 或 其中 可以把T-S模糊系统看作R个线性系统之间的非线性差补器，用条件隶属函数来确定结论中的线性系统是否在状态空间的特定区域（模糊边界）有效。随着状态的变化，不同的规则被激活，这意味着应该使用不同的线性模型组合。总之，T-S模糊系统作为各线性模型之间的非线性差补器为非线性系统提供了一个非常直观的表达形式。;3.2.3 Tsukamoto模糊模型;3.2.4 模糊模型的分割形式;3.3 模糊系统的通用近似特性; 称为模糊基函数,而式（3-8）称为模糊系统的模糊系统的模糊基函数展开式。模糊基函数具有下列特点： （1）每条规则对应一个基函数； （2）基函数是输入向量x的函数。一旦输入变量的模糊集合个数及隶属函数确定，模糊基函数也就确定了； （3）模糊基函数展开式是以 为变量的线性回归方程，可用最小二乘法辨识;3.3.2 模糊系统的通用逼近性; “通用近似性质”只是保证存在一种方法来定义一个模糊系统f(u)(如通过选择隶属函数的参数)，也就是说，只是保证了存在这样一个模糊系统，但是没有说明如何去发现这个模糊系统，而这往往又是非常困难的。进一步的研究显示，实现任意精度的近似意味着需要任意多的规则。 1.模糊系统求解 模糊系统的通用近似性质的价值只是说明如果在调整参数时比较恰当，应该能够满足要求的模糊系统。尤其是对于控制，这意味着在用模糊控制器实现非线性函数时有很大的灵活性。不过一般来讲，通过适当调整给定的模糊控制器不能保证一定满足稳定性和性能指标，还需要选择合适的控制器输入和输出，这是因为对于某些对象，无论如何努力地调整模糊控制器（如非最小相位系统所能取得性能指标就有某些限制），模糊系统会存在一些根本的限制，使它无法达到某些控制目标。;定义3.1 如果;3.4 模糊辨识的数据选择;3.5 模糊辨识和估计的最小二乘算法;3.5.2 递推最小二乘算法;所以;3.5.3 模糊系统的调整;3.5.4 模糊系统的成批最小二乘训练;3.5.5 模糊系统的递推最小二乘训练;3.6 模糊辨识和估计的梯度法;3.6.1 标准模糊系统的训练;3.6.2 T-S模糊系统的训练;3.6.3 动量项和步长大小;3.6.4 牛顿（Newton）和高斯-牛顿（Gauss-Newton）方法;3.7 模糊的聚类法;3.7.1 优化输出预解模糊的聚类方法;3.7.2 最近邻聚类法;3.8 复合法 模糊辨识可以采用最小二乘算法、梯度算法、聚类算法和样本学习算法及其修正算法方法来训练标准模糊系统和T-S模糊系统。这里研究的混合方法，即把上面提到的2个或更多个结合起来训练模糊系统。归纳为三类。 1.混合初始化/训练 用一种方法初始化模糊系统的参数，然后用另一种方法训练该模糊系统。例如，可以用最小二乘算法初始化一个标准模糊系统的输出中心，然后用一个梯度算法来调整条件参数和更好的输出中心。 2.混合条件/结论训练 用一种方法训练规则的条件部分，而用另一种方法训练规则的结论部分。例如，在优化输出预解模糊的聚类方法中，用聚类算法来确定条件参数，用最小二乘算法来训练结论函数。 3 混合交叉训练 用一种算法训练后，用另一种算法继续训练，然后再换一种算法训练，以此类推。举例来说，???以用样本学习方法来初始化模糊系统参数，然后用一种梯度算法训练模糊系统，并用最小二乘算法定期更新输出隶属函数的中心。