改进模糊聚类与最小二乘法：T-S模糊模型的新识别算法验证

本文档主要探讨了一种针对非传统T-S模糊模型的新型辨识算法，发表在2010年8月的《江南大学学报(自然科学版)》第9卷第4期。作者焦三鸣、施建中、王东风和韩瑛来自华北电力大学控制与计算机工程学院，他们针对传统T-S模糊模型识别方法的局限性，提出了创新性的解决方案。 该方法的核心在于将前件参数的辨识过程改进为利用模糊划分聚类算法。模糊划分聚类是一种数据挖掘技术，通过将数据集划分为多个不重叠的模糊集合，有助于更好地捕捉输入空间的复杂性和非线性特性。作者在此基础上进行了优化，提高了参数估计的精度和鲁棒性。 对于后件参数，采用了最小二乘法进行辨识。最小二乘法是经典的数据拟合方法，它通过最小化残差平方和来估计模型参数，这种方法在处理线性和非线性系统时表现出良好的性能。通过最小二乘法，算法能够更有效地估计模糊规则的后件函数，从而构建出更精确的T-S模糊模型。 为了验证这种新算法的有效性和实用性，作者选择了Box-Jenkins煤气炉数据集以及一个非线性系统进行仿真实验。Box-Jenkins模型是时间序列分析中的常用工具，而煤气炉系统的动态特性可以很好地展示模糊模型在实际问题中的应用潜力。实验结果显示，新算法能够准确地捕捉系统的动态行为，并且相较于传统方法，其辨识结果具有更高的精度和可靠性。 这篇文章的主要贡献在于提出了一种结合模糊划分聚类和最小二乘法的T-S模糊模型辨识方法，这为处理非线性系统提供了新的策略，并通过实际案例展示了其在工程领域的应用前景。该研究对于模糊系统理论的发展以及实际工业控制系统的优化具有重要意义。