递阶T-S模糊系统在软测量建模中的应用

"这篇文章是2006年发表的一篇自然科学论文，主要研究了基于递阶T-S模糊系统的软测量建模方法。作者是袁平、毛志忠和王福利，来自东北大学信息科学与工程学院。论文探讨了在软测量建模中，合理构建模糊系统结构的重要性，并提出了使用多目标遗传算法（MOGA）来优化子系统的输入变量选择，结合T-S模糊系统，通过二分法来划分子系统的输入空间，从而建立高效的软测量模型。这种方法旨在提高建模精度，简化模型结构，并通过仿真结果验证了其高精度、简单结构、少量生成规则以及优秀的泛化特性。" 本文的核心知识点包括： 1. **递阶模糊系统（Hierarchical Fuzzy System, HTFS）**：递阶模糊系统是一种将复杂系统分解为多个层次的模糊子系统，每个子系统负责处理特定的输入输出关系，这样可以更有效地建模复杂非线性关系。 2. **T-S模糊系统（Takagi-Sugeno Fuzzy System）**：T-S模糊系统是一种特殊的模糊逻辑系统，它通过线性段组合来近似非线性函数，能够有效处理复杂的系统行为。在此文中，T-S模糊系统用于构建软测量模型的各个子系统。 3. **软测量建模（Soft Sensor Modeling）**：软测量建模是工业过程控制中的一个重要技术，通过数学模型预测难以直接测量的工艺参数，通常基于可获取的输入变量。 4. **多目标遗传算法（Multi-Objective Genetic Algorithm, MOGA）**：MOGA是一种优化算法，能同时考虑多个目标函数，用于在本研究中选择最优的子系统输入变量，以提高建模的准确性和效率。 5. **二分法（Dichotomy）**：在划分子系统输入空间时，采用二分法可以精确地确定输入变量的区间，有助于提高模型的精细化程度和预测精度。 6. **建模精度和结构简化**：通过MOGA选择输入变量和二分法划分输入空间，这种方法在保证建模精度的同时，减少了模型的复杂性，使得模型更易于理解和应用。 7. **泛化特性（Generalization Property）**：良好的泛化特性意味着模型不仅对训练数据有高精度，对未见过的数据也有较好的预测能力。文中提出的软测量方法在仿真中表现出这种特性，增加了模型的实际应用价值。 该研究提出了一种创新的软测量建模方法，通过结合递阶T-S模糊系统、多目标遗传算法和二分法，实现了对复杂非线性过程的高效建模，具有很高的实用价值和理论意义。