基于模糊理论的TS模糊系统优化.docVIP

第 1 章 绪论 1.1 研究背景、意义 随着将近 70 年的技术与理论研究的沉淀，模糊理论逐渐成为工业控制的关键性理论，并且出现了形态各异、功能各异的模糊建模模型。TS 模糊系统是这些模型中比较有代表性的系统模型，采用线性分解的方式有效模拟非线性或不确定性强的系统，TS 模糊系统不仅是近似非线性系统的强大工具，也是充分利用线性系统理论和优势的灵活框架，因此具有较强的应用拓展空间。 本课题提出了一种基于模糊决策树的 TS 模糊系统优化策略，可以有效地解决 TS 模糊系统在自动构造过程中普遍存在的构造速度慢、模型稳定性差、没有找到全局最优解的问题。因此，本课题的研究有利于找到一种新的智能控制方法，便于模拟人类的思维特征；有利于利用模糊规则和决策树中的信息熵完成自然语言数字化的转变，能够有效去除冗余信息，具有更好的解释性，从而更有效地完成 TS 模糊系统的核心工作；有利于优化工业上常用到的 TS 模糊系统中的模糊控制器的设计过程，便于提高 TS 模糊系统中的模糊控制器在经济、环保、家电行业、智能交通等领域的适用性。 1.2 国内外研究现状 (1)针对变量辨识，很多参考资料涉及到的方式均是借助模糊聚类方式或者网格划分的方式明确前件变量情况，接下来依照某些优化算法针对后件参数变量进行有针对性的优化操作，所以前件变量对于后件变量具有较大的影响。现在常使用的优化方式具体涵盖了最小二乘法、 BP 算法以及卡尔曼滤波算法等。上述方式均是满足前件变量尚未优化的条件，对后件变量进行优化操作，辨识精准程度很难获得提升。 在大数据条件下，如何实现 TS 模糊系统的自动构造一直是人工智能领域探究的热点问题。以信息为基础的 TS 模糊工程相关的建模方式，具体如下模糊聚类优化方式、遗传算法优化方式以及模糊神经网络优化方式等。不过，此类优化 TS 模糊系统模型构造过程存在着过分强调精确性而导致解释性差 1 第 1 章 绪论 的问题。从而所建立的模糊模型含有大量的冗余信息，解释性差。有关文献[3]借助相似性奖励遗传方法关于相关模型完成迭代操作。最终，借助相似性惩罚遗传方法系统的优化相关模型。有关文献[4]把多目标化问题转变成单目标化问题，在精准度方面以及解释度方面得到保障的前提下，完成了相关模型的创建工作。有关文献[4]指出借助减法聚类辨识相关模糊模型，针对有关变量借助神经网络完成训练，利用模糊集合的类似性确保相关模型的解释性。 (2)国外基于数据的建模在 AI 学习系统设计与实现的成功运用参考实例有很多，现有的基于数据的建模在 AI 学习系统设计与实现中的运用参考实例，是以语音、语义、视觉的以 ID3 为代表的决策树分类方式分析基于数据的建模来指引系统设计。基于数据的建模指引下的系统将形成语音、语义、视觉的资源文件。虚拟基于数据的建模数据结果是以真实的数字化移动互联网网络社交平台 APP、 网上交易和家用电器控制基本业务记录为基础，结合人工智能技术分布结构和以 ID3 为代表的决策树分类方法而设计的。 文献[5]阐述了基于数据的建模技术的概念、技术指标、模型设计技术选型竞争能力、使用价值，和所应对的挑战问题。他认为，虽然曾经花了不少的经费设计本文相关的 AI 学习系统，但是，面对着眼下迫不及待要处理的问题，本文相关的 AI 学习系统还得优化正在使用的模糊算法。 以 ID3 为代表的决策树分类分析促进了语音、语义、视觉的发展，当属 AI 学习系统发展历史的里程碑。语音、语义、视觉的化科技才开展规模化的推广，通常被用于移动互联网网络社交平台 APP、网上交易和家用电器控制等领域。在推广中，语音、语义、视觉的推广的实用度日趋升高，新推出的数字化民航平台在诸多大规模的规划和建设工程中获得了广泛地使用，同时赢得了理想的模型设计技术选型效果。伴随着模型设计技术选型的繁荣，语音、语义、视觉的同通讯、计算机科技的有机融合，形成人工智能技术识别领域的专业科技。 关于架构辨识，常规的方式具体涵盖了进化算法、模糊聚类法、支持向量机等，相比之下，由于模糊聚类方式可以直观的获得模糊的准则代表的模糊关系，所以普遍被认为是最佳的架构辨识方式。借助模糊聚类方式完成架构辨识工作的时候，可以将聚类总数看作是模糊准则的总数，可以将聚类中心看作是模糊项目的部分变量。即便现在很多文献资料中均都指出以模糊聚类为基础的 TS 模糊模型辨识方式。上述方式大都是要求明确 第 1 章 绪论 聚类方法或者借助相关聚类检验方法完成多次重复运算，以期得到最佳的聚类总数。可是这极大的增多了整体算法的运算总量，不能很好的将相关算法进行推广使用。 针对变量辨识，很多参考资料涉及到的方式均是借助模糊聚类方式或者网格划分的方式明确前件变量情况，接下来依照某些优化算法针对后件参数变量进行有针对性的优化操作，所以前件变量对于后件