針對傳統(tǒng)的T-S模糊辨識方法難以準(zhǔn)確辨識含噪聲的非線性系統(tǒng)問題,將噪聲信號和系統(tǒng)的其他輸入變量一起作為模糊前件的輸入,采用具有動態(tài)隨機搜索和尋優(yōu)半徑連續(xù)收縮機制的改進蟻獅算法優(yōu)化模糊前件的結(jié)構(gòu)參數(shù),使用加權(quán)最小二乘法實現(xiàn)模糊后件的參數(shù)辨識.數(shù)值仿真表明,所提出的辨識方法可以有效抑制噪聲的影響,經(jīng)過改進蟻獅算法優(yōu)化后的T-S模糊模型辨識效果更好.最后,將所提出方法用于直拉硅單晶生長熱模型的辨識,實驗結(jié)果表明該方法優(yōu)于傳統(tǒng)的辨識方法. 

【文章來源】：控制與決策. 2019,34(04)北大核心

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 原始蟻獅優(yōu)化算法及其改進
    1.1 ALO算法原理
    1.2 ALO算法的改進
        1.2.1 動態(tài)隨機搜索機制
        1.2.2 半徑連續(xù)收縮機制
    1.3 算法測試與對比結(jié)果分析
        1.3.1 測試函數(shù)的設(shè)置
        1.3.2 測試結(jié)果對比與分析
2 基于改進ALO算法優(yōu)化的T-S模糊模型對噪聲非線性系統(tǒng)的辨識
    2.1 含噪聲輸入的T-S模糊模型的描述
    2.2 模糊前后件參數(shù)的確定及優(yōu)化
3 數(shù)值仿真及實驗研究
    3.1 噪聲非線性系統(tǒng)差分模型的辨識
    3.2 直拉硅單晶生長過程熱模型辨識實驗研究
4 結(jié)論


【參考文獻】：
期刊論文
[1]直拉硅單晶生長過程建模與控制研究綜述[J]. 劉丁,趙小國,趙躍.  控制理論與應(yīng)用. 2017(01)
[2]基于增廣輸入變量的T-S模糊模型建模[J]. 楊馬英,張書桂.  控制與決策. 2016(01)
[3]基于KPCA-MVU的噪聲非線性過程故障檢測方法[J]. 陳如清.  儀器儀表學(xué)報. 2014(12)
[4]基于參數(shù)辨識和T-S模糊模型的一類非線性系統(tǒng)鎮(zhèn)定控制器設(shè)計[J]. 王銀河,胡鈞,崔樂遠,章云.  控制與決策. 2012(06)
[5]一種T-S模糊模型的自組織辨識算法及應(yīng)用[J]. 梁炎明,劉丁.  儀器儀表學(xué)報. 2011(09)
[6]基于T-S模型和小世界優(yōu)化算法的廣義非線性預(yù)測控制[J]. 王爽心,董旸,劉海瑞.  控制與決策. 2011(05)
[7]基于自適應(yīng)模糊聚類的神經(jīng)網(wǎng)絡(luò)軟測量建模方法[J]. 王錫淮,李少遠,席裕庚.  控制與決策. 2004(08)
[8]基于T-S模糊模型的辨識算法[J]. 王守唐,高東杰.  控制與決策. 2001(05)



本文編號：3018772