王艳秋[1]2006年在《先进控制技术的集成及应用研究》文中研究表明迄今为止，已在工业上获得成功应用的先进控制策略主要包括：自适应控制、变结构控制、预测控制、鲁棒控制、模糊控制、专家控制、神经网络控制等，各种控制策略各有利弊。因此多种控制策略之间相互渗透、交叉和结合的复合控制策略，是先进控制技术的发展方向。这些复合控制策略克服了单一控制策略的不足，取长补短、具有更优良的性能，能更好地满足不同应用场合的不同要求，因而获得了更广泛的应用。 所谓先进控制技术的集成包括两个方面：一方面是将几种先进的智能控制方法融合在一起，构成具有高度自主能力的智能混合控制系统；另一方面是将智能控制与最优控制相结合，构成智能复合控制，以便取长补短，优势互补，提高整体控制水平。因此智能混合控制和智能复合控制在非线性多变量控制系统中的应用已经成为当前控制领域的一个研究热点，并已成为解决各类复杂系统控制问题的重要工具，在理论上和实际应用中都有十分重要的意义。 本文在掌握国内外研究现状的基础上，在这一领域展开了进一步的研究工作，主要研究内容概括如下： (1)描述了模糊系统与神经网络的等价性和互换性：从映射角度来看，模糊系统和神经网络都具有非线性函数的逼近能力；模糊系统与神经网络具有等价性和互换性：模糊系统可以用一等价的神经网络来表示，同样神经网络也可以用一等价的模糊系统来表示；其次，描述了模糊系统和神经网络融合的五种形态，并提出一种结构等价的模糊神经网络，给出了它们的实现方法。 (2)研究了智能混合控制。并以改进的遗传算法在模糊神经网络参数学习中的应用问题为例加以说明。首先提出了两种改进的遗传算法：一种是加入BP算子的遗传算法，这不仅利用了GA与BP各自的优点，而且极大的提高了参数的搜索效率；另一种是改变遗传算子的遗传算法，并证明了这种改进的遗传算法的性能明显优于标准的遗传算法。然后将改进的遗传算法应用于模糊神经网络参数学习中，通过构造模糊神经网络控制器进行仿真，验证了方法的有效性和适用性。改进的遗传算法在学习过程中表现出很强的全局优化能力，为复杂非线性及组合优化问题提供了一个很好的解
赵亮[2]2009年在《基于协同PSO算法的模糊辨识与神经网络学习》文中进行了进一步梳理粒子群优化(Particle swarm optimization,PSO)算法是一种基于群体智能的算法,它模拟鸟群、鱼群和蜂群等动物群体的觅食行为,通过个体之间的相互协作使群体达到最优化目的。同遗传算法类似,PSO算法也是一种基于种群的优化技术,它初始化为一组随机解,粒子群在搜索空间中追随种群中的最优粒子进行协同搜索。PSO算法具有操作简单、需要调节的参数少、收敛速度快等特点,因而引起越来越多的关注,成为计算智能及经济、社会、生物等交叉学科的研究热点和前沿。协同搜索的主要思想是使用多个模块同时搜索问题空间,这些模块之间相互交换信息,以提高算法的效率,它在研究大规模复杂优化问题中得到了广泛的应用。本文主要研究了结合协同搜索和PSO算法的协同PSO算法,以及其在模糊辨识和神经网络学习中的应用。本文首先介绍了PSO算法的产生背景、研究的主要内容和开放问题等;接着给出了协同PSO算法的基本框架和参数分析;然后提出了协同随机PSO算法来改进标准PSO算法的性能;最后将提出的改进算法和协同进化PSO算法应用在模糊辨识和神经网络学习等领域。本文研究的主要内容和创新点可概括如下:(1)提出了一种协同随机PSO算法,使用多个子种群同时搜索问题空间,在迭代的过程中,不同的子种群间以随机方式相互交换信息。粒子通过学习不同子种群的最优历史信息来更新自己的速度和位置,保持了种群的多样性;同时,使用多个子种群的有用信息也保证了算法的收敛速度。从而算法的全局和局部搜索能力达到了很好的平衡。(2)提出了一种基于减法聚类和协同随机PSO算法的二阶段模糊辨识方法:减法聚类用来辨识模糊模型的结构,协同随机PSO算法用来优化模型的参数,同时使用减法聚类的结果来初始化算法的种群。该辨识方法能有效地获得紧凑而精确的模糊模型。(3)针对一类用于时间序列预测的单乘法神经元模型,引入协同随机PSO算法来加强其学习能力。单乘法神经元模型可以看作是结构简单,参数较少的神经网络,代替多层神经网络来完成函数逼近等任务。协同随机PSO算法作为该模型的训练算法,提高了模型的学习效率和鲁棒性。(4)针对模糊模型辨识中模型结构难以确定的问题,提出了一种基于协同进化PSO算法的自动模糊模型辨识方法。首先预定义一个最大的模糊规则数,每条规则都有一个标签来决定其是否属于模糊模型;然后将标签、模糊模型的前件参数和后件参数编码成不同的粒子,使用叁个PSO算法协同地搜索;通过标签的进化可以得到模糊模型的结构,在模型性能达到最优时,也得到了最优的模型参数。该方法能直接从输入输出数据抽取精确的模糊模型。(5)针对全连接神经网络的结构冗余问题,提出了一种基于协同进化PSO算法的同时调节神经网络结构和权值的方法。首先定义了一种带开关权值的神经网络模型,开关权值由离散值0和1表示,用来决定神经网络的结构;然后使用协同进化的二进制PSO算法和实值PSO算法来优化网络结构和模型参数。该方法能有效地获得精度高而结构精简的神经网络。
王娜[3]2009年在《基于客观聚类的模糊建模方法研究》文中研究说明模糊模型易于表达结构性的知识,可将专家的先验知识与过程的数据信息相结合,利用模糊规则库来精确逼近和描述建模对象中不同系统变量间的函数关系,能有效地克服机理模型难以解析复杂的非线性关系、且构建成本较高的缺点,从而使被控过程及其相关特性更加易于描述、理解和分析。在模糊建模中,模型的精确性、解释性及其相互折衷问题一直是非常活跃的研究领域。模糊辨识作为模糊建模中有效的数据驱动手段,主要分为结构辨识和参数辨识两部分。其中结构辨识是关键环节,但就整体而言,由于通常采用启发式方法和数值方法,致使目前仍缺乏系统化的指导方法,所以尚未形成完善的理论体系。因此在各种噪声和人为决策等不确定因素的影响下,应用现有模糊辨识技术处理不同折衷程度的模糊建模问题时,仍面临着严峻的挑战。为此,本文基于客观聚类的思想,并结合各种优化方法,对上述的模糊建模问题开展了相应的研究工作。主要研究内容包括以下几个方面:在传统鲁棒聚类算法中,聚类有效性的计算及其综合评判直接影响着聚类结果的分类精度。但受噪声和评判准则间缺乏公度性的影响,准确的聚类结果,即聚类个数和聚类中心难以直接确定。为此,提出了一种新型的鲁棒聚类算法——改进客观聚类分析算法。利用偶极子分级策略进行初始划分,从而降低了噪声可能导致的冗余;并在原始客观聚类分析算法的基础上,引入了相对不相似性测度,以提高算法对于形状不规则和边界模糊聚类的准确判别;此外,为了提高一致性计算的收敛性,还提出了改进的一致性准则;并且还借助于GMDH理论中最优复杂度聚类的原则,避免了外部准则约束的施加,可以直接获得准确的聚类结果。除理论分析外,还在加入白噪声情况下,借助于数值例子对改进客观聚类分析算法的鲁棒性进行了分析;并利用IRIS标准测试分类问题,在加入Markov有色噪声情况下验证了本方法的鲁棒性和良好的分类精度。在T-S模糊辨识中,前件结构及其参数的辨识精度既决定了模型对于已有训练数据的拟合精度,又直接影响了模型对于未建模数据的泛化能力,因而对模型的精确性具有至关重要的作用。然而传统聚类方法对于训练数据学习的弱鲁棒性,难以保证模型的辨识精度,并且计算量较大。为此,本文提出了一种基于客观模糊聚类的鲁棒T-S模糊辨识算法。首先将改进客观聚类分析算法引入到模糊c均值聚类算法中,形成了客观模糊聚类分析算法,以确定最优的前件模糊划分。因此既有效提高了模糊辨识算法的鲁棒性,实现了对前件结构及其参数的精确估计,又通过一次学习直接确定了前件辨识的结果,从而提高了算法的计算效率。此外,采用了稳态卡尔曼滤波方法确定后件参数,避免了最小二乘估计中存在的非数值解问题,提高了计算结果的有效性。在性能分析中,与模糊c均值聚类算法相比较,验证了客观模糊聚类分析算法的计算复杂性,并利用加白噪声的人工测试函数验证了本辨识方法的鲁棒性。最后在有无外加噪声两种情况下,采用仿真实例Box-Jenkins煤气炉系统验证了本方法的鲁棒性以及良好的逼近和泛化能力。在T-S解释性模糊建模研究中,模型的解释性与精确性之间的矛盾始终存在。而传统方法一般采用过估计手段或者基于全局划分策略来初始化模型,难以精确逼近系统的局部非线性特性,因此可能导致规则库的冗余,或者模型拟合精度和泛化能力的下降,很难实现解释性与精确性之间的良好折衷。针对这类问题,本文将客观聚类思想与遗传学习策略相结合,提出了一种基于遗传——客观聚类的解释性T-S模糊建模算法。一方面,基于客观聚类的初始模糊划分优先考虑了规则库的约简,从而降低了过估计和全局划分的强一致性对异常数据的敏感,大大减少了冗余。另一方面,在迭代学习过程中,采用了基于局部误差准则的模糊划分扩展策略,改善了局部拟合的精确性;并在此基础上,利用遗传算法从候选集中选择最优子集,从而降低了过分强调局部精度而可能引起的全局精度的损失,确定了最佳规则数。电力应用问题的仿真研究验证了本方法模型的紧凑性与精确性。针对Mamdani模糊建模研究中,Mamdani模型的解释性因素,即规则库的紧凑性、规则库的相容性和模糊划分的清晰性等特性易受传统策略过学习的影响而导致下降的问题,在客观聚类策略的基础上,引入了进化学习的机制,提出了一种基于进化——客观聚类的Mamdani模糊建模算法。首先基于改进的客观聚类分析算法,并结合模糊聚类和最小二乘优化技术,实现了对初始Mamdani模型的简明模糊辨识,不仅将客观聚类辨识的思想由T-S模型自然推广到Mamdani模型中,而且通过一次学习可以有效确保规则库的紧凑性。其次基于经典的(1+1)进化策略简单实现了对规则前、后件参数语义值的优化。在进化学习过程中,采用规则覆盖率和遗传小生境作为约束条件来联合设计适应度函数,可以有效实现对另外两种解释性因素——规则间的相容性和模糊划分中相邻子集间适度交迭性的同时兼顾。电力应用问题的仿真研究表明了本方法模型的紧凑性、清晰性和适度的精确性。
路平立[4]2003年在《非线性系统的模糊辨识方法与应用研究》文中进行了进一步梳理由于传统方法不能有效地对复杂和不确定系统进行建模，因此需要寻找一种能够描述非线性系统的全局函数或解析结构。查德(L.A.Zadeh)提出一种有效的方法来描述不能用精确数学模型表达的复杂或病态系统。但由于非线性系统的复杂性和模糊系统是一个年轻的领域，有很多尚待解决的问题。本文紧紧围绕着非线性系统模糊建模和辨识方法展开讨论和研究。考虑到一般的聚类算法对于设置聚类中心的初值存在很多困难，Hough变换通过自动获得数据的线性划分解决了此问题。首先利用Hough变换的方法得到聚类中心的初始值，然后通过模糊C-均值聚类法辨识前提参数，采用递推最小二乘辨识模糊模型的结论参数。其次，提出了一种新的基于T-S模糊模型的建模方法。该方法是基于输入空间的模糊划分计算给定样本在各模糊子空间的隶属度，利用正交最小二乘算法辨识模糊模型的结论参数。最后通过仿真结果验证了该方法的有效性与实用性。针对以往模糊C-聚类法(FCM)在搜索聚类中心时计算量大，不适于在线建模与控制这一问题，提出一种改进的方法：将多步随机采样模糊C-划分聚类方法(mrFCM)应用到模糊模型辨识中。与以往的模糊聚类辨识方法相比，所需CPU时间大大缩短，具有较高的辨识精度。怎样从给定规则库中选取重要规则，即规则化简，是个很重要的研究课题。John Yen和Liang Wang介绍了几种应用于模糊模型的信息优化准则，本论文在此基础上对统计信息准则进行一些改进，并与快速模糊聚类和正交最小二乘方法结合，提高了模型的辨识精度和泛化能力。最后，为了验证模糊辨识方法的实用性，本文将模糊系统逼近时变参数的实时辨识算法与具有较强鲁棒性的广义预测控制算法相结合，提出了基于模糊辨识的非线性系统多变量自适应广义预测控制策略，通过仿真实例进行了验证，并且取得了较好的控制效果。
李盼盼[5]2008年在《基于T-S模型的非线性系统模糊辨识方法研究》文中研究表明由于实际的复杂工业过程常常具有强非线性、不确定性、多变量、强耦合以及工况变化频繁等特点,很难建立其精确的数学模型描述,即使能够建立其数学模型,也往往过于复杂,使得传统控制难以达到理想的控制效果。查德提出的模糊集合理论为不能用精确数学模型表达的复杂或病态系统提供了一种有效的建模方法。自此,人们开始将模糊概念引入到了模糊建模中,并进行了大量的研究。然而由于非线性复杂系统是非常复杂的,有很多尚待解决的问题。本文仅仅围绕着非线性系统的模糊建模和辨识方法展开讨论和研究。本文针对传统FCM(Fuzzy c-means)算法对初始值设定敏感而影响聚类效果、训练速度慢、在迭代时容易陷入局部极小等缺点,提出了将减法聚类和FCM算法相结合的方法用于T-S模糊模型结构的辨识。首先用减法聚类算法找到模糊聚类中心的迭代初值,然后再用FCM算法进行聚类的方法来提高聚类的收敛速度和聚类效果。接着采用最小二乘法进行结论参数的辨识,从而得到初始的T-S模糊模型,在此基础上构造基于T-S模糊模型的神经网络结构来进行参数精调,取得了比较满意的效果。由于最小二乘法属于梯度法,存在容易陷入局部极小的缺点,且以往的模型的结构和参数是分开来进行优化的,通常是两个步骤反复交替无数次才能获得最终的模型。为了进一步提高T-S模糊模型的辨识精度和收敛速度,达到全局最优,本文还提出了一种新颖的基于全局收敛的遗传算法(Genetic Algorithms)整体优化模糊系统模型的方法。即将模型的结构和结论参数整体进行编码,通过制定合理的编码规则,选择合适的遗传算子,达到模型优化的目的。该方法解决了模型的结构和参数同时优化的问题,在加快收敛速度和提高辨识精度方面取得了很好的效果。最后通过选取具有代表性和普遍性的实例在MATLAB中对所提出的算法进行仿真分析和比较,结果验证了本文提出的方法具有辨识精度高、逼近能力强和全局收敛等优点,为非线性复杂系统的建模提供了一条实际有效的途径。
姚巍[6]2008年在《自行车机器人系统辨识及MATLAB仿真》文中进行了进一步梳理作为设计各种控制系统的基础,建立高精度的受控对象动力学模型具有重要意义。由于受控对象往往具有时延,非惯性等特点,用传统的方式建立受控对象动力学模型时,往往出现模型精度不高甚至难以建立系统模型的问题,这极大地限制了各种控制理论的应用和控制性能的提高。在自行车机器人控制系统设计这一课题中,为了建立高精度的系统动力学模型以提高控制系统的性能,我们引入系统辨识理论对自行车机器人展开系统辨识。实验仿真结果证明该理论是可行的,并且取得了很高的辨识精度,具有一定的推广价值。本文主要介绍基于ARX模型结构和模糊神经网络模型结构的自行车机器人动力学系统辨识原理及基于MATLAB的仿真实现。文章首先对系统辨识理论的基本原理、经典方法进行介绍,并有针对性地介绍了神经网络系统辨识和模糊模型系统辨识原理;接着对模糊理论及神经网络理论的基本概念、算法结构进行了系统的介绍;在此基础之上,又详细介绍了模糊模型系统辨识具体方法;最后应用前面所述理论及MATLAB系统辨识工具箱,完成了基于ARX模型结构和模糊神经网络模型结构的自行车机器人系统辨识,同时对两种辨识结果进行比较分析,判断不同辨识方法应用于自行车机器人系统辨识时的优缺点。文章的最后还对论文的主要内容进行了总结,并对下一步工作方向进行展望。
窦金梅[7]2013年在《模糊辨识参数优化算法研究及应用》文中指出模糊模型的强大逼近能力，为非线性和不确定性系统提供了一种有效的建模方法。传统模糊建模方法因其局限性导致有时建模精度不能满足要求，随着智能优化算法的提出，此问题有了一条新的解决途径。将模糊模型辨识与智能算法相结合，采用智能优化算法对模糊模型的前后件参数进行优化，以此提高模型的辨识精度，是达到满意的辨识效果的一个有效方法。本文主要研究基于智能优化算法的模糊模型参数优化问题，具体工作如下：首先，概述了课题的研究意义及智能优化算法和T-S模糊模型的发展过程及研究现状，并对模糊辨识中几种常用的智能优化算法进行了仿真分析和比较，为后续研究提供了算法参考。其次，提出了一种改进的菌群优化算法，提高了BFO算法的收敛精度并避免其陷入局部最优。针对非线性系统的辨识问题，将其用于高斯型隶属函数参数的优化，并采用递推最小二乘算法更新模型的结论参数，实现对模糊模型全局参数的优化。然后，针对Mackey-Glass混沌时间序列的预测问题，提出一种基于修正型果蝇优化算法和最小Wilcoxon法训练T-S模糊模型的鲁棒预测方法。采用MFOA对高斯型隶属函数参数进行优化，可以提高辨识精度和收敛速度；采用LW辨识模糊模型的结论参数，当训练数据中出现例外点时，LW方法的强鲁棒性可以有效克服传统最小二乘方法对例外点敏感的缺点。最后，提出了一种应用PSO建立模糊逆模型的自适应逆控制算法，该方法首先建立非线性系统的离线模糊逆模型，采用T-S模糊模型与中心和宽度不确定的高斯型隶属函数，用PSO对逆模型的前提参数和结论参数同时进行优化，然后将其作为初始控制器与被控非线性对象串联，并利用变步长LMS算法在线调节模糊逆模型参数，同时将其复制作为系统的控制器，取得了较好的控制效果。
王智琴[8]2009年在《复杂热工系统的T-S模糊模型辨识研究》文中研究指明在热工过程控制中,被控对象动态特性往往表现出非线性、时变性、大迟延和大惯性等特点,这使得难以对其建立比较精确的模型,从而难于精确表达热工过程及实施整体优化控制。而Takagi和Sugeno于1985年提出的着名的T-S模糊模型具有通用逼近性,即能以任意精度逼近非线性动态系统,已经成为一种被广泛使用的模糊模型。为达到建立精确热工系统模型的目的,本文研究了基于T-S模型的离线和在线模糊建模方法。1.T-S模糊模型离线辨识方法研究本文基于传统模糊聚类算法在寻优聚类中心时存在迭代过程,计算量大,而且容易出现死中心,局部极小和中心冗余等问题,提出了一种基于混沌遗传算法的参数优化方法。首先基于损失函数辨识模型的阶次,基于输入选择准则确定输入变量,然后引入广义T-S模型,其隶属度函数为具有自适应性的广义高斯函数,采用混沌遗传算法来优化它的形状,在此基础上利用递推最小二乘法辨识后件参数。该混沌遗传算法在基本遗传算法中引入了混沌移民算子,替换原群体中的不良个体,参与该群体的交配繁衍,以保证该群体的多样性,防止因近亲繁殖导致的基因病变与衰退,克服了基本遗传算法易早熟,收敛速度慢的缺点,在前件参数辨识中取得了很好的效果。2.T-S模糊模型在线辨识方法研究考虑到实际热工过程中系统的工况和外界环境变化等原因具有不确定性,参数和结构均易发生迁移,离线辨识的模型难以自适应地反映系统的非线性变化。因此在线模糊辨识技术,具有很强的理论意义和实用价值,并且在自适应控制、预测控制中都有广泛的应用。本文基于T-S模型的修正定义和模糊规则影响力的新准则,用于解决模糊规则的在线更新和优化问题。本文通过样本与聚类中心矢量之间的贴近度来修正聚类中心,并根据样本到中心矢量的距离对输入数据空间进行划分。在此基础上利用递推最小二乘算法辨识出模型的结论参数。该辨识算法具有所需模糊规则数少,辨识精度高,算法简单,易于实现等优点。将上述辨识方法应用到box-jenkins煤气炉数据和实际锅炉过热汽温系统辨识中,验证了上述方法的有效性,表现出了很好的逼近能力,取得了良好的效果。
刘楠[9]2017年在《智能优化算法在模糊辨识中的应用研究》文中认为模糊模型属于非线性模型,已被证明是一种万能逼近器。因此,对于解决非线性系统和不确定系统的建模和控制,模糊建模是一种有效的方法。传统模糊辨识方法的局限性有时会使控制系统很难达到满意的辨识精度。因而合理的参数选择将是提高辨识精度的一个有效的办法。随着智能优化算法的不断发展和成熟,它越来越多的应用到了模糊模型的优化上,为提高模型辨识精度和效率提供了一个有效方法。本文主要研究了智能优化算法在模糊辨识中的应用,具体研究工作如下:首先,概述了课题的研究背景及意义,总结了模糊辨识和智能优化算法的发展过程及研究现状,介绍了模糊模型辨识的基础知识,为后面各章节的学习奠定了必要的理论基础。其次,基于模糊理论和智能优化算法,提出两种模糊辨识新方法。第一种方法是基于T-S模型和改进猫群算法的模糊辨识。该混合算法同时利用了这两种算法的优点,明显提高了辨识精度和收敛速度;第二种方法采用模糊C均值聚类算法对聚类中心进行初步优化。然后利用改进猫群算法的全局搜索能力优化聚类中心,有效地解决了模糊C均值聚类算法容易陷入局部最优的问题,提高了模糊辨识的精度和效率。然后,针对粒子群算法在处理高维复杂函数时容易陷入局部极值的问题,提出一种基于Tent混沌映射的粒子群算法,并且将改进的粒子群算法优化模糊模型参数,仿真得到了满意的实验结果。最后,研究了模糊模型的混沌系统广义预测控制算法,将模糊C均值聚类算法运用到混沌系统的广义预测控制中,提出一种更加有效的广义预测控制算法。采用改进的模糊C均值聚类算法对Hénon混沌系统进行辨识,得到Hénon混沌系统的局部动态线性模型,利用广义预测控制算法对其进行预测控制。仿真结果验证了所提方法的有效性。
朱红霞[10]2005年在《基于免疫优化算法的热工过程模糊建模和控制方法研究》文中研究表明热工过程的自动控制是保证发电机组热力设备安全经济运行的必要措施,建立精确的热工过程整体模型是对热工过程进行全局优化控制的基础。但由于热工过程具有非线性和不确定性等复杂特性,传统方法难以建立可精确表达热工过程的非线性模型及实施整体优化控制。为此,有必要对一些先进的非线性建模与控制方法进行深入的研究,将其应用于热工过程以有效地提高机组的安全经济性。免疫系统具有免疫记忆、免疫识别、分布性、鲁棒自适应等特性,将这些免疫机制引入控制领域,为解决不确定性系统建模和复杂对象的动态自适应控制等难题提供了一个崭新的思路。本文将免疫信息处理机制应用于遗传算法的改进、模糊控制优化设计、模糊聚类建模及非线性预测控制等方面,解决了复杂系统非线性建模和控制中的一些难题,并对电厂热工过程如汽温系统、单元机组负荷系统等进行了仿真研究。本文具体研究内容如下:(1)分析了传统遗传算法存在的缺陷和成因,在此基础上,将免疫系统的抗原识别、抗体多样性、免疫记忆、浓度调节等机制引入遗传算法中,提出两种改进的免疫遗传算法(IGA)。一是改进型单种群进化免疫遗传算法,它利用一种记忆细胞精英抗体遗传策略进一步保证了算法的稳定性和收敛性;二是多种群进化免疫遗传算法,它将遗传的竞争过程分为子种群间的竞争和子种群内个体间的竞争两级,能有效解决全局和局部搜索能力间的矛盾。通过对测试函数的求解,表明文中两种改进型IGA均具有优良的的寻优特性。(2)提出了一种基于免疫遗传算法的模糊控制器优化设计方法。在模糊规则和隶属度函数参数联合编码基础上,通过改进的免疫遗传算法实现模糊控制器参数的同步优化。以过热汽温控制系统为例进行了仿真试验,结果表明采用改进的免疫遗传算法优化模糊控制,可以克服传统遗传算法存在的缺陷,保证更快更稳地搜索到最优的规则库和隶属函数,优化后的模糊控制系统具有很好的控制效果。(3)提出一种新型动态免疫进化聚类算法以克服传统模糊聚类建模方法须事先确定规则数的缺陷。它通过改进的遗传策略来优化染色体长度以实现聚类个数全局寻优,同时利用模糊C-均值(FCM)聚类算法加快聚类中心参数的收敛;此外,通过引入免疫系统的记忆功能和疫苗接种机理,新算法得以快速稳定地收敛到最优解。利用这种高效的动态聚类算法辨识模糊模型,可以同时得到合适的模糊规则数和准确的前提参数。对经典实例进行的仿真计算验证了这种模糊聚类建模方法的有效性。将其用于建立热工过程的非线性模糊模型,不需要预先指定模型的规则数,计算量较小,而且所辨识模型精度高,从而为热工过程的整体优化控制奠定了模型基础。(4)提出了一种基于模糊模型和免疫优化的非线性预测控制方法,该方法将离线辨识到的精确的全局模糊模型作为预测模型,然后利用实数编码的免疫优化算法在线实现非线性预测控制的滚动优化,给出最优的控制量。且该方法可通过修正的遗传算子方便地解决输入受限问题。通过对锅炉过热汽温控制系统和一个简化了的500MW单元机组负荷控制系统的仿真试验,验证了该非线性预测控制方法的有效性,为复杂热力系统控制品质的提高提供了一条新的途径。
参考文献：
[1]. 先进控制技术的集成及应用研究[D]. 王艳秋. 东北大学. 2006
[2]. 基于协同PSO算法的模糊辨识与神经网络学习[D]. 赵亮. 上海交通大学. 2009
[3]. 基于客观聚类的模糊建模方法研究[D]. 王娜. 上海交通大学. 2009
[4]. 非线性系统的模糊辨识方法与应用研究[D]. 路平立. 燕山大学. 2003
[5]. 基于T-S模型的非线性系统模糊辨识方法研究[D]. 李盼盼. 江苏大学. 2008
[6]. 自行车机器人系统辨识及MATLAB仿真[D]. 姚巍. 北京邮电大学. 2008
[7]. 模糊辨识参数优化算法研究及应用[D]. 窦金梅. 燕山大学. 2013
[8]. 复杂热工系统的T-S模糊模型辨识研究[D]. 王智琴. 北京交通大学. 2009
[9]. 智能优化算法在模糊辨识中的应用研究[D]. 刘楠. 燕山大学. 2017
[10]. 基于免疫优化算法的热工过程模糊建模和控制方法研究[D]. 朱红霞. 东南大学. 2005
标签：自动化技术论文; 遗传算法论文; 聚类论文; 模糊神经网络论文; 模糊聚类分析论文; 系统辨识论文; 模糊算法论文; 模糊理论论文; 智能算法论文; 系统仿真论文; 优化策略论文; 系统学习论文; 优化论文; 算法论文; bp神经网络算法论文;