一种T-S模糊模型的聚类分析与辨识方法.docVIP

一种T-S模糊模型的聚类分析与辨识方法 　　摘 要:传统的模糊聚类分析方法分两个步骤,首先使用目标函数进行模糊生成,然后应用聚类有效性函数决定聚类的最佳数目。针对模糊形成和有效性验证函数的内在不同所导致的聚类不准确性,应用一种新的基于双目标模糊聚类分析(BOFCM)的聚类方法。同时将基于三角形隶属函数的T-S模糊系统应用于非线性系统辨识中,该方法可以很方便地确定输入空间的划分及隶属函数的形状,减少了计算量。将以上方法应用于一个二阶系统辨识分析,证实了该方法的有效性。 　　关键词:TS模糊模型; 双目标聚类; 三角形隶属函数; 正交最小二乘法 　　中图分类号:TP391 文献标识码:A 　　文章编号:1004-373X(2010)10-0015-03 　　 　　Cluster Analysis and Identification Method of T-S Fuzzy Model 　　LIU Cui 　　(Harbin University of Science and Technology, Harbin 150080, China) 　　Abstract:The traditional fuzzy clustering analysis has two steps, the objective function was used for fuzzy generation and cluster effectivefunction was used for validating numbers of cluster. However, the intrinsic differences of the formation and validation functions may cause Inaccuracy A fuzzy clustering based on bi-objective (BOFCM) analysis is proposed. Moreover,Triangular membership function based on TS Fuzzy Systems is applied to nonlinear system identification. This method can easily determine the input space location and the shape of membership functions, reducing the computational complexity. The above method is confirmed by applying it to analyse a second-order system . 　　Keywords:TS fuzzy model; bi-objective fuzzy cluster; triangular membership function; orthogonal least squares method 　　 　　模糊聚类分析是数据库中知识发现和数据挖掘的一种重要技术,判定聚类结果是否合理以及如何获取最佳类别数,属于聚类有效性问题,是聚类分析中的核心问题之一[1]。 　　聚类有效性分析就是寻找最优的聚类数目,使得数据划分贴近实际情况,聚类目标函数最小。聚类数C关系到模糊模型的精确度和复杂性。在模糊聚类领域,模糊C均值聚类算法(FCM)和适合于该算法的聚类有效性函数已提出很多。例如Bezdek提出的划分系数函数和划分熵函数,这两个函数是基于模糊划分矩阵的隶属度信息定义的,具有明显的数学意义和良好的数学性质,运算简单高效。但它们的主要缺点是与数据本身缺乏直接联系,因而存在局限性,针对此缺点,许多学者提出同时考虑隶属度信息和数据集本身结构的聚类有效性函数[2-3],例如XB,FS和最近提出的PBM,PCAE等。 　　这里提出一种高效的T-S模糊系统辨识方法,利用双目标模糊聚类分析同时确定规则前件的最佳聚类划分和聚类数目,无需参数调整过程。T-S模型的辨识采用三角形隶属函数,大大地减少了计算量,提高了非线性系统辨识的快速性。最后利用正交最小二乘法确定规则后件参数,结果证实了其高效性。 　　1 模糊聚类分析 　　1.1 传统的模糊聚类分析方法 　　(1) 对于预先设定的聚类数C,进行模糊聚类算法以最小化目标函数; 　　(2) 利用聚类有效性函数来验证模糊划分的质量; 　　(3) 对于不同的聚类数C反复进行步骤(1),(2); 　　(4) 基于不同C的有效性函数值来决定最优聚类数目。 　　1.2 双目标模糊聚类方法 　　聚类有效性函数兼顾了紧致性和分离性这两个主要影响因