T-S 模糊系统结论参数的 MATLAB 仿真研究(1)
介绍了应用最小二乘法对 结论参数进行粗略辨识，确定参数的大致范围，再应用遗传
算法对前提参数和结论参数同时优化的参数辨识方法。对非线性函数进行逼近实验，给出
了用 编程进行仿真的具体实现方法，结果证明该方法的可行性和有效性。 关键
词 最小二乘法；参数辨识；遗传算法 引言 对 模糊系统参数辨识的过程大致分为结
构辨识和参数辨识，而参数辨识则是整个系统辨识的关键所在。遗传算法以其在解空间内
进行高效启发式搜索，寻优速度快，不易陷入局部最优解等优点成为近来应用较多的优化
方法。将遗传算法用于解决 模糊模型的参数辨识问题，在应用最小二乘法进行粗略辨
识的前提下，用遗传算法对结论参数进行寻优，用 进行仿真，取得了较好的效果。
用最小二乘法对 模糊模型参数的初步辨识 模糊模型辨识的过程一般分为以下几
个阶段：前提结构辨识；前提参数辨识；结论结构辨识；结论参数辨识，直到模型满足要
求为止。结构辨识的方法，在此不再详细说明，只对结论参数辨识问题展开讨论。 在确定
了前提结构和结论结构之后，对模糊模型的结论参数进行粗略的辨识，以确定遗传算法寻
优的范围。在众多的参数辨识方法中，最小二乘法是最基本的一种， 于 年就
用最小二乘法，由观测结果估算了行星的运行轨道。此后，这种方法被广泛应用，并根据
实际问题提出了许多改进的最小二乘法，如正交最小二乘法，广义最小二乘法，增广最小
二乘法等。这里所用的是线性最小二乘法，将前提结构划分的各个范围中的输入输出数据
拟合为一次多项式函数。从而得出粗略的结论参数。以此来大致确定遗传算法要优化的结
论参数范围。前提参数的大致范围可根据所选的隶属函数来确定。 为简单起见，考虑一维
的单输入非线性系统。对下列函数进行逼近[1]： 设定输入范围为[-1，1]，将它模糊分割为
五个区，隶属度函数采用广义的钟形函数，这里只有一个输入变量，输出为 y = a x b 的线
性方程，待优化的结论参数有 2×5 = 10 个，用 MATLAB 编程来初步得出待优化的结论参数，
评论2