增强输入变量的T-S模糊模型构建策略

本文主要探讨了在T-S模糊系统建模中解决精度与效率之间冲突的问题。T-S模糊模型是一种广泛应用于控制和决策领域的建模工具，它将输入变量与输出变量之间的复杂关系通过一系列的模糊规则表示。然而，传统的T-S模型设计过程中，往往需要大量的数据和复杂的规则结构，这可能导致模型的精度提高的同时，计算效率降低。 作者提出了一种创新方法，即通过引入增广输入变量来改进T-S模糊模型的构建过程。首先，他们对原始输入变量进行多项式扩展，这样做的目的是增加模型的表达能力，同时保持一定的计算效率。多项式增广能够捕捉到输入变量之间的潜在关系，有助于提升模型的拟合精度。 在增广后的输入变量上，作者采用核模糊C均值聚类（Kernell Fuzzy C-Means, KFCM）算法。KFCM是模糊C均值聚类的一种改进版本，它利用核函数增强了数据的非线性特性，使得模型能更好地处理复杂的输入模式。通过结合聚类评价指标，如轮廓系数或Calinski-Harabasz指数，可以自适应地确定最优的聚类数量，即最佳的模糊划分，这对于减少冗余规则、优化模型结构至关重要。 接着，通过递推最小二乘法计算T-S模糊模型的后件参数。这种方法有效避免了全局优化问题，提高了参数估计的精度和速度。后件参数的确定为前件结构的确定提供了依据，即通过后件参数反推前件的模糊集和规则结构，这一过程大大简化了前件设计的复杂性。 最后，作者通过仿真验证了这种利用增广输入变量和KFCM算法的T-S模糊模型建模方法的有效性和实用性。实验结果表明，该方法能够在保证模型精度的前提下，显著提高建模的效率，从而在实际应用中具有很大的潜力和价值。 总结来说，这篇论文提供了一种创新的T-S模糊模型构建策略，通过多项式增广、核模糊C均值聚类以及后件参数反推，有效解决了模型精度与计算效率之间的矛盾，对于提升模糊系统在复杂控制系统中的性能具有重要的理论和实践意义。