基于BFO聚类算法T―S模糊模型辨识.docVIP

基于BFO聚类算法T―S模糊模型辨识 　　摘要：针对非线性系统的辨识问题，本文提出一种基于BFO聚类算法的T-S模糊模型辨识方法。首先通过BFO聚类算法自动地从已知的输入输出数据中确定模糊模型的结构和前件参数，然后用BFO算法估计模糊模型的后件参数。仿真结果表明，该方法辨识精度高，得到的模糊模型简单、模糊规则少，很好地解决了现有算法复杂、输入空间难以划分或者带来的高维问题等，因而具有很好的实用性和有效性。 　　关键词：细菌觅食算法 聚类 T-S模型辨识 　　中图分类号：TM715 文献标识码：A 文章编号：1007-9416（2015）01-0000-00 　　1引言 　　基于细菌觅食算法（Bacterial Foraging Optimization， BFO），本文提出一种同时包括结构辨识和参数辨识的非线性系统的T-S模糊模型辨识方法。在结构辨识中，采用BFO聚类算法，从已知的输入输出数据中自动地划分输入输出空间，确定模糊规则的数目以及前件参数，生成一个能描述给定输入输出数据结构的初始模糊模型。在聚类的基础上，使用BFO算法实现模糊模型后件加权参数辨识，也即调整模糊模型的参数使其具有更高的精度。仿真结果表明，该方法辨识精度高，具有很好的实用性和有效性。 　　2 基于BOF聚类算法的T-S模糊模型辨识 　　T-S模型辨识分为前件结构辨识和后件结论参数辨识部分[1]。本文在结构辨识中采用BFO聚类算法[2]，从已知的输入输出数据中自动地划分输入输出空间，确定模糊规则的数目以及前件参数，生成一个能描述给定输入输出数据结构的初始模糊模型。在聚类基础上，使用BFO算法实现模糊模型后件加权参数辨识，也即调整模糊模型的参数使其具有更高的精度。 　　2.1前件结构部分辨识 　　考虑非线性系统y（k）=f（y（k-1），…，y（k-m），u（k-1），…，u（k-n））+ζ（k），其中：y、u和ζ分别代表系统的输出、输入和干扰，f代表非线性函数。本文采用基于BOF的聚类算法建立前件中的模糊集合Aji（i=1，2，…，C），C为聚类数目，构造如下一个初始模糊规则库： 　　Ri if 　　y（k-1） is A1i，…， y（k-m） is Ami， u（k-1） is Am+1i，…， u（k-1） is Ani 　　then 　　yi（k）=p0i+p1iy（k-1）+…+pmiy（k-m）+pm+1iu（k-m-1）+ …+ pniu（k-n） 　　其中：Ri为第i条模糊规则， Aji是一个由BFO的聚类算法得出的模糊子集，用高斯函数表示，pji是一个结论参数，m和n为系统变量的阶次。则由中心平均解模糊公式得系统的输出为： 　　其中 。 　　2.2 后件结论参数辨识 　　采用BFO算法确定每条规则的后件参数（p0i，p1i，…，pmi，pm+1i，…，pni），具体步骤如下： 　　Step 1：初始化算法参数，包括细菌种群大小N、细菌的移动步长C、细菌最大前进次数Ns、趋化算子次数Nc、繁殖算子次数Nre和迁徙算子次数Ned。 　　Step 2：随机初始化种群。 　　Step 3：根据评价函数 记录当前最优解，式中y（k）是系统的实际值，y’（k）是模糊模型输出。 　　Step 4：执行种群进化的三层循环，即外层循环，迁徙算子；中层循环，繁殖算子；内层循环，趋化算子。 　　Step 5：算法结束，输出群体最优解。 　　3 仿真实例 　　本文以非线性系统y（k）+a1y（k-1）+a2y（k-2）=b1u（k-1）+b2u（k-2）+b3u（k-3）+ε（k）/Δ研究对象，其中ε（k）=[-0.02，0.02]均匀分布的白噪声，[u（k-3），u（k-2），u（k-1），y（k-2），y（k-1）]为输入变量，采用本文第3节方法进行模糊辨识。当聚类个数为4时，聚类中心为： 　　C1=[0.2017 0.7725 -0.1256 -1.3321 -0.4284]； 　　C2=[0.6326 0.9349 -1.0738 -0.8825 -0.6265]； 　　C3=[0.9861 0.4893 -1.1510 -0.5467 -0.8284]； 　　C4=[1.0415 0.2718 -0.2661 -1.2324 -0.3284]。 　　辨识的参数为： 　　θ1=[-1.2871 -0.7505 1.4427 0.4332 1.1120]； 　　θ2=[-1.3216 -0.7448 1.4321 -0.3265 -0.3754]； 　　θ3=[-1.3283 -0.7625 1.5052 -1.1051 -0.1663]； 　　θ4=[-1.2928 -0.7709 1.