递归规则T-S模糊模型及识别方法研究

"规则递归T-S模糊模型及其辨识方法 (2012年)，作者：梁炎明、刘丁，发表于《西安交通大学学报》第46卷第8期，2012年8月。该论文提出了针对传统T-S模糊模型在描述系统时变特性上的不足，引入了一种基于递归策略的动态T-S模糊模型，并阐述了其识别方法。通过增加反馈环节来实现规则激励强度的动态递归变化，以更好地模拟系统的动态过程。论文中还提到了使用模糊聚类算法获取前件参数，以及结合支持向量机和粒子群优化算法的联合识别方法来确定后件和递归环节参数。通过Box-Jenkins煤气炉的仿真验证了该模型和识别方法的有效性，与混合聚类方法相比，均方差降低1.2%。" 本文主要探讨的是如何改进传统的T-S模糊模型，以增强其描述系统时变特性的能力。T-S模糊模型（Takagi-Sugeno Fuzzy Model）是一种广泛应用的模糊逻辑控制工具，它通过一系列模糊规则来近似非线性系统的动态行为。然而，传统T-S模型在处理动态变化的系统时可能存在局限性，无法有效地反映系统的实时响应。 针对这一问题，作者提出了规则递归T-S模糊模型。该模型在原有的T-S模型基础上，引入了一个带有权重的反馈环节。这个反馈环节会根据当前时刻的激励强度和前一时刻的激励强度，通过加权求和来计算当前的规则激励强度，从而实现规则的动态递归更新。这种设计使得模型能够更好地捕捉和描述系统的动态变化过程。 为了减少规则的数量并提高模型的泛化能力，作者提出了一种基于规则激励强度的模糊聚类算法来确定前件参数。模糊聚类是将数据集划分为多个模糊集合的过程，有助于简化模型结构，同时保持模型的表达能力。而后件参数和递归环节的参数，则通过结合支持向量机（SVM）和粒子群优化（PSO）算法的联合识别方法来求解。SVM是一种有效的监督学习模型，用于分类和回归分析，而PSO是一种全局优化算法，可以寻找复杂函数的最优解。 论文通过Box-Jenkins煤气炉的仿真案例展示了规则递归T-S模糊模型的性能。仿真结果表明，该模型在描述系统动态行为方面表现出色，与混合聚类方法相比，均方差降低了1.2%，这证明了所提出的模型和识别方法的有效性和优势。 这篇论文为非线性动态系统的建模提供了一种新的递归策略，结合了模糊逻辑、反馈机制、支持向量机和优化算法，旨在提高模型的准确性和适应性。这种方法对于控制理论和应用领域，特别是在工业过程控制、自动控制和系统辨识等方面，有着重要的理论和实践意义。