發(fā)布時(shí)間：2021-02-04 18:50

　　針對(duì)傳統(tǒng)的T-S模糊辨識(shí)方法難以準(zhǔn)確辨識(shí)含噪聲的非線性系統(tǒng)問題,將噪聲信號(hào)和系統(tǒng)的其他輸入變量一起作為模糊前件的輸入,采用具有動(dòng)態(tài)隨機(jī)搜索和尋優(yōu)半徑連續(xù)收縮機(jī)制的改進(jìn)蟻獅算法優(yōu)化模糊前件的結(jié)構(gòu)參數(shù),使用加權(quán)最小二乘法實(shí)現(xiàn)模糊后件的參數(shù)辨識(shí).數(shù)值仿真表明,所提出的辨識(shí)方法可以有效抑制噪聲的影響,經(jīng)過改進(jìn)蟻獅算法優(yōu)化后的T-S模糊模型辨識(shí)效果更好.最后,將所提出方法用于直拉硅單晶生長(zhǎng)熱模型的辨識(shí),實(shí)驗(yàn)結(jié)果表明該方法優(yōu)于傳統(tǒng)的辨識(shí)方法. 

【文章來源】：控制與決策. 2019,34(04)北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
0 引言
1 原始蟻獅優(yōu)化算法及其改進(jìn)
    1.1 ALO算法原理
    1.2 ALO算法的改進(jìn)
        1.2.1 動(dòng)態(tài)隨機(jī)搜索機(jī)制
        1.2.2 半徑連續(xù)收縮機(jī)制
    1.3 算法測(cè)試與對(duì)比結(jié)果分析
        1.3.1 測(cè)試函數(shù)的設(shè)置
        1.3.2 測(cè)試結(jié)果對(duì)比與分析
2 基于改進(jìn)ALO算法優(yōu)化的T-S模糊模型對(duì)噪聲非線性系統(tǒng)的辨識(shí)
    2.1 含噪聲輸入的T-S模糊模型的描述
    2.2 模糊前后件參數(shù)的確定及優(yōu)化
3 數(shù)值仿真及實(shí)驗(yàn)研究
    3.1 噪聲非線性系統(tǒng)差分模型的辨識(shí)
    3.2 直拉硅單晶生長(zhǎng)過程熱模型辨識(shí)實(shí)驗(yàn)研究
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]直拉硅單晶生長(zhǎng)過程建模與控制研究綜述[J]. 劉丁,趙小國(guó),趙躍.  控制理論與應(yīng)用. 2017(01)
[2]基于增廣輸入變量的T-S模糊模型建模[J]. 楊馬英,張書桂.  控制與決策. 2016(01)
[3]基于KPCA-MVU的噪聲非線性過程故障檢測(cè)方法[J]. 陳如清.  儀器儀表學(xué)報(bào). 2014(12)
[4]基于參數(shù)辨識(shí)和T-S模糊模型的一類非線性系統(tǒng)鎮(zhèn)定控制器設(shè)計(jì)[J]. 王銀河,胡鈞,崔樂遠(yuǎn),章云.  控制與決策. 2012(06)
[5]一種T-S模糊模型的自組織辨識(shí)算法及應(yīng)用[J]. 梁炎明,劉丁.  儀器儀表學(xué)報(bào). 2011(09)
[6]基于T-S模型和小世界優(yōu)化算法的廣義非線性預(yù)測(cè)控制[J]. 王爽心,董旸,劉海瑞.  控制與決策. 2011(05)
[7]基于自適應(yīng)模糊聚類的神經(jīng)網(wǎng)絡(luò)軟測(cè)量建模方法[J]. 王錫淮,李少遠(yuǎn),席裕庚.  控制與決策. 2004(08)
[8]基于T-S模糊模型的辨識(shí)算法[J]. 王守唐,高東杰.  控制與決策. 2001(05)



本文編號(hào)：3018772