学位论文 > 优秀研究生学位论文题录展示
基于模糊聚类的非线性系统辨识研究
作 者: 施建中
导 师: 韩璞; 焦嵩鸣
学 校: 华北电力大学
专 业: 控制理论与控制工程
关键词: 模糊聚类 模糊模型 模糊辨识 模糊C回归模型 模糊函数
分类号: TP13
类 型: 博士论文
年 份: 2012年
下 载: 293次
引 用: 0次
阅 读: 论文下载
内容摘要
在控制工程领域中,非线性系统的建模与辨识是控制、管理和故障诊断系统设计的重要环节。由于传统方法不能有效地对复杂和不确定系统进行建模,因此需要一种能够描述非线性系统的全局函数或者解析结构。Zadeh提出一种有效的方法来描述不能用精确数学模型表达的复杂或者病态系统。近年来模糊逻辑理论在非线性系统辨识中的应用以及在基本理论方面的研究工作已经取得了一定的进展并形成了较为完整的理论框架。模糊集合理论和模糊逻辑的概念应用在系统建模中有许多方式,其中应用最广泛的是系统变量之间的关系通过if-then规则来描述的基于模糊规则的系统。而在基于模糊规则的系统中研究较多的是T-S模糊模型。本文利用模糊聚类算法对T-S模糊模型进行模糊划分。基于目标函数的模糊C均值(Fuzzy C-Mean, FCM)算法是当前研究较为成熟的模糊聚类算法。本文首先利用G-K聚类算法和FCM聚类算法进行模糊空间划分,并将之用于T-S模糊模型的辨识过程中。针对FCM算法本身的缺陷利用一种改进的模糊划分聚类算法应用于T-S模糊模型的辨识过程中,仿真结果表明,该算法在一定程度上提高了辨识精度。模糊C回归模型(Fuzzy C-Regression Model, FCRM)是对系统的输入-输出数据进行超平面分类,把输入-输出数据分成若干类,每一类的输入-输出数据对应一个回归模型,可以很好地描述T-S模糊模型的数据空间结构。本文在FCRM聚类算法的基础上,对其目标函数增加FCM算法的目标函数,利用一种改进模糊划分方法,提高了辨识精度。基于模糊函数的模糊系统建模方法利用一些模糊函数表达式来描述模糊系统,而不是if-then规则。基于模糊函数的模糊系统用一组线性或者非线性函数来表示。其输入变量在包括了系统输入变量的同时,还包含了当前输入变量的隶属度,或者隶属度的一些转换形式。输入变量的模糊聚类个数,即为该模糊函数系统的函数个数。本文通过在FCM样本距离中加入了FCRM距离,提高了系统的辨识精度。本文的主要工作和创新点包括:1.对T-S模糊模型的两种表示形式,分别利用G-K聚类算法和FCM聚类算法进行辨识研究;2.利用一种改进的模糊划分聚类算法对T-S模糊模型进行辨识研究;3.提出了一种基于改进模糊C回归模型聚类算法的T-S模糊模型辨识算法;4.提出了一种基于混合聚类算法的模糊函数系统辨识方法。
|
全文目录
摘要 5-7 Abstract 7-15 第1章 绪论 15-29 1.1 课题背景及研究的目的和意义 15-18 1.1.1 模糊聚类分析 15-16 1.1.2 模糊建模 16-18 1.2 模糊聚类算法概况 18-22 1.2.1 基于梯度优化的模糊聚类算法 19 1.2.2 基于神经网络的模糊聚类算法 19-20 1.2.3 基于进化计算的模糊聚类算法 20-21 1.2.4 基于群体智能的模糊聚类算法 21-22 1.3 模糊建模方法概况 22-27 1.3.1 模糊关系推理系统 23 1.3.2 模糊基函数推理系统 23-24 1.3.3 基于T-S模糊模型的模糊推理系统 24-25 1.3.4 基于模糊动态模型的模糊推理系统 25-26 1.3.5 模糊双曲正切模型 26-27 1.4 本文的主要内容 27-29 第2章 模糊集合与模糊聚类算法 29-47 2.1 模糊集合 29-33 2.1.1 模糊集合定义 29-30 2.1.2 模糊集合的表示方法 30-33 2.2 基于划分的模糊聚类算法 33-40 2.2.1 聚类分析的数学模型 33-34 2.2.2 数据集的c划分 34-35 2.2.3 聚类目标函数 35-38 2.2.4 模糊C均值聚类算法 38-40 2.3 自适应矢量化聚类神经网络 40-42 2.3.1 自适应矢量化网络模型 40-41 2.3.2 竞争学习算法 41-42 2.4 基于遗传算法的FCM算法 42-45 2.5 基于粒子群优化的FCM算法 45-47 第3章 基于FCM的T-S模糊模型辨识算法 47-75 3.1 T-S模糊模型描述 47-48 3.1.1 T-S模糊模型-Ⅰ 47-48 3.1.2 T-S模糊模型-Ⅱ 48 3.2 T-S模糊模型结构与参数辨识 48-54 3.2.1 结构辨识 49-51 3.2.2 参数辨识 51-54 3.3 基于G-K聚类算法的T-S模糊模型辨识 54-58 3.3.1 G-K聚类算法 54-56 3.3.2 仿真实例 56-58 3.4 基于FCM聚类算法的T-S模糊模型辨识 58-64 3.4.1 仿真实例1 58-60 3.4.3 仿真实例2 60-62 3.4.4 仿真实例3 62-64 3.5 基于减法聚类和FCM聚类算法的T-S模糊模型辨识 64-66 3.5.1 减法聚类 65 3.5.2 仿真实例1 65-66 3.5.3 仿真实例2 66 3.6 基于一种改进模糊划分聚类算法的T-S模糊模型辨识 66-73 3.6.1 改进模糊划分聚类算法 66-68 3.6.2 仿真实例1 68-70 3.6.3 仿真实例2 70-72 3.6.4 仿真实例3 72-73 3.7 结论 73-75 第4章 基于改进模糊C回归模型聚类算法的T-S模糊模型辨识算法 75-95 4.1 回归问题 75-77 4.2 切换回归模型 77-79 4.3 模糊C回归模型聚类算法 79-81 4.4 改进模糊C回归模型聚类算法 81-87 4.4.1 竞争学习理论 81-82 4.4.2 GIFP_FCM聚类算法 82-84 4.4.3 Voronoi距离对GIFP_FCM聚类算法鲁棒性的解释 84-86 4.4.4 改进模糊C回归模型聚类算法 86-87 4.5 仿真实例 87-93 4.5.1 仿真实例1 87-89 4.5.2 仿真实例2 89-90 4.5.3 仿真实例3 90-92 4.5.4 仿真实例4 92-93 4.6 结论 93-95 第5章 基于混合聚类算法的模糊函数系统辨识方法 95-110 5.1 模糊函数建模方法 96-98 5.2 混合聚类算法 98-100 5.3 基于混合聚类算法的模糊函数系统辨识算法 100-101 5.4 仿真实例 101-108 5.4.1 仿真实例1 101-103 5.4.2 仿真实例2 103-105 5.4.3 仿真实例3 105-107 5.4.4 仿真实例4 107-108 5.5 结论 108-110 第6章 结论与展望 110-113 6.1 主要工作和创新点 110-111 6.2 今后的研究内容 111-113 参考文献 113-124 攻读博士学位期间发表的论文及其它成果 124-125 攻读博士学位期间参加的科研工作 125-126 致谢 126-127 作者简介 127
|
相似论文
- 三容水箱系统故障诊断算法研究,TP277
- 土壤环境功能区划研究,X321
- 演化聚类算法及其应用研究,TP311.13
- 基于多因素模糊聚类的底板突水危险性预测研究,TD745
- 基于电视信号的外辐射源雷达研究,TN958
- 模糊预测函数控制改进算法的研究及应用,TP273
- 基于半监督模糊聚类的入侵防御技术研究,TP393.08
- 国企员工激励问题研究,F272.92
- 网络化控制系统故障诊断与容错控制研究,TP273
- 基于粒子群优化模糊聚类的煤气鼓风机故障诊断系统研究,TQ545
- 基于粗糙集理论的图像分割研究,TP391.41
- 混沌系统基于T-S模糊模型的最优控制研究,O232
- 模糊粗糙集与支持向量机在煤与瓦斯突出预测中的应用研究,TP181
- 基于时频分析的机械故障源盲分离方法研究,TH165.3
- 基于CXT系列电动葫芦的模块化研究,TH211.3
- 基于粒子蜂群算法优化的多支持向量机软测量建模方法研究,TP274
- 基于模糊聚类分析与最小二乘支持向量机的短期负荷预测,TM715
- 城市轨道交通线网方案比选指标研究,U239.5
- 长大客运专线客运量调查与预测研究,F224;U293.13
- 分布式企业协同分销系统研究及应用,F224
- 非真实感绘制中的颜色传输算法研究,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 自动控制理论
© 2012 www.xueweilunwen.com
|