資源描述：
《基于T-S模糊模型的非線性系統(tǒng)建?！酚蓵T上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、碩E學(xué)侍論文摘要非線性系統(tǒng)廣泛存在于客觀世界，研究非線性系統(tǒng)的建模就顯得特別重要。對于非線性系統(tǒng)，難以獲得精確的數(shù)學(xué)模型，即使能夠建立其數(shù)學(xué)模型，也往往過于復(fù)雜，使得傳統(tǒng)控制難以達到理想控制效果?；谥R和不依賴于精確數(shù)學(xué)模型的智能控制給這類問題的解決帶來了新的思路。T-S模糊模型采用線性方程去表示每一個非線性系統(tǒng)局部區(qū)域的局部規(guī)則，以局部線性化為基礎(chǔ)，通過模糊推理的方法實現(xiàn)全局的非線性?；赥-S模糊模型的上述特點，本文緊緊圍繞著非線性系統(tǒng)模糊建模和辨識方法展開討論和研究。在T．s模糊模型辨識中，應(yīng)用模糊C均值聚類方法可將其前提結(jié)構(gòu)
2、和結(jié)論參數(shù)的辨識分開進行，減少了計算量。首先通過逐步回歸的方法對輸入變量進行篩選，保留那些對輸出影響顯著的變量，剔除那些對輸出影響不顯著的變量，這樣在保證精度的前提下可適當(dāng)?shù)暮喕Ｐ偷膹?fù)雜性。然后基于此結(jié)果利用模糊C均值聚類算法對所選輸入空間進行聚類，提取T-S模糊模型的規(guī)則前件隸屬函數(shù)參數(shù)。其次，采用最小二乘法求得T-S模糊模型規(guī)則的后件參數(shù)，為了進一步提高T-S模糊模型的精度，采用遺傳算法優(yōu)化所建T-S模糊模型的前、后件參數(shù)。最后，本文給出了熟知的Box．Jenkins數(shù)據(jù)的建模仿真，驗證了所提算法的有效性。關(guān)鍵詞：模糊C均值聚類
3、；最／J、-"乘估計；T-S模糊模型；逐步回歸法；遺傳算法基y-T-S模糊模掣的竹線性系統(tǒng)建模AbstractNonlinearsystemsexistintheworldextensively，soitisimportanttoinvestigatetheidentificationofnonlinearsystems．Asfornonlinearsystems，itisdifficulttogettheaccuratemathematicmodel．Evenwecanbuildmathematicmodelforthosesyst
4、ems，itmaybetoocomplicatedtodesignacontrollerwithconventionalmeans．Takagi-Sugenofuzzymodelillustratesthelocal-ruleforeverylocalareawithalinearequationandachievesglobalnonlinearitybasedonlocallinearitybyfuzzyinference，ConsideringthemeritsaboveoftheT-Sfuzzymodel，thisdisser
5、tationcloselysurroundsfuzzymodelingandidentificationmethodsfornonlinearsystemstodiscussandtoresearch．ForT·S’ssystemidentification，itispossibletoseparatethepremiseidentify—cationfromtheconsequenceidentificationusingfuzzyclusterthatcansimplifythecalculation．Firstly,inputv
6、ariablesareselectedbythemethodofstepwise，thevariablesofmuchinfectiontooutputvariablesarereserved，thevariablesoflittleinfectiontooutputvariablesareeliminated，thecomplexityofmodelisproperlysimplifiedatthepremissofprecision．Secondly’withtheresult，theinputspaceisclusteredby
7、fuzzyc-meansclusteringalgorithm；wegctthemen南ershipfunctionoftheantecedentfuzzysets．Thirdly,theconsequentparametersofrulesarecalculatedbytheleastsquaresestimateispresented，thepremiseandconsequenceparametersofT-Sfuzzymodelareoptimizedbygeneticalgorithmforadvancingitspreci
8、sion．Atlast，theeffectivenessofproposedalgorithmsaredemonstratedbystimulationresultsofthewell．knownBox．Jenkinsd
