遗传算法优化的模糊聚类动态模糊神经网络辨识方法

"线性划分、离线训练和在线辨识。在非线性系统辨识过程中，遗传算法（Genetic Algorithm, GA）与模糊C-均值聚类（Fuzzy C-Mean Clustering, FCM）的结合成为关键。首先，GA-FCM（也被称为双群体并行聚类）用于对非线性系统的输入输出数据进行聚类，从而实现线性区域的划分。通过这种方式，可以将复杂的非线性空间分解为多个线性可操作的子区域。 在每个划分的线性区域内，进一步构建ARMAX（自回归移动平均模型 with eXogenous inputs）模型，这是一种常用于系统识别的统计模型。ARMAX模型能够描述系统的动态行为，通过调整其参数可以逼近非线性系统的特性。这里，GA采用实数编码，不仅优化前件隶属函数的中心和宽度，这些参数直接影响模糊规则的定义，同时也优化递归增益和后件参数，这些参数控制着系统的动态响应。 在线辨识阶段，FCM继续对新输入数据进行分析，检测系统行为的变化。如果发现当前的线性划分不再适应新的数据特征，那么聚类过程会相应地调整划分，确保模型的适应性。同时，GA在此过程中持续迭代，优化模型参数，直至达到设定的误差阈值，以确保模型的精度和稳定性。 通过这种结合遗传算法和模糊聚类的方法，提出的识别方案在训练速度、训练误差和校验误差等关键性能指标上表现优越。具体体现在减少训练时间，提高识别精度，并且能自动调整规则的数量，以适应非线性系统的动态变化。 该研究创新性地将遗传算法应用于模糊聚类和递归T-S模糊神经网络的优化，提高了非线性系统的动态识别能力。这一方法对于复杂系统的建模和控制，特别是在实时环境中的应用，具有重要的理论价值和实践意义。"