融合改进蚁狮算法和T-S模糊模型的噪声非线性系统辨识

发布时间：2021-02-04 18:50

　　针对传统的T-S模糊辨识方法难以准确辨识含噪声的非线性系统问题,将噪声信号和系统的其他输入变量一起作为模糊前件的输入,采用具有动态随机搜索和寻优半径连续收缩机制的改进蚁狮算法优化模糊前件的结构参数,使用加权最小二乘法实现模糊后件的参数辨识.数值仿真表明,所提出的辨识方法可以有效抑制噪声的影响,经过改进蚁狮算法优化后的T-S模糊模型辨识效果更好.最后,将所提出方法用于直拉硅单晶生长热模型的辨识,实验结果表明该方法优于传统的辨识方法. 

【文章来源】：控制与决策. 2019,34(04)北大核心

【文章页数】：8 页

【文章目录】：
0 引言
1 原始蚁狮优化算法及其改进
    1.1 ALO算法原理
    1.2 ALO算法的改进
        1.2.1 动态随机搜索机制
        1.2.2 半径连续收缩机制
    1.3 算法测试与对比结果分析
        1.3.1 测试函数的设置
        1.3.2 测试结果对比与分析
2 基于改进ALO算法优化的T-S模糊模型对噪声非线性系统的辨识
    2.1 含噪声输入的T-S模糊模型的描述
    2.2 模糊前后件参数的确定及优化
3 数值仿真及实验研究
    3.1 噪声非线性系统差分模型的辨识
    3.2 直拉硅单晶生长过程热模型辨识实验研究
4 结论


【参考文献】：
期刊论文
[1]直拉硅单晶生长过程建模与控制研究综述[J]. 刘丁,赵小国,赵跃.  控制理论与应用. 2017(01)
[2]基于增广输入变量的T-S模糊模型建模[J]. 杨马英,张书桂.  控制与决策. 2016(01)
[3]基于KPCA-MVU的噪声非线性过程故障检测方法[J]. 陈如清.  仪器仪表学报. 2014(12)
[4]基于参数辨识和T-S模糊模型的一类非线性系统镇定控制器设计[J]. 王银河,胡钧,崔乐远,章云.  控制与决策. 2012(06)
[5]一种T-S模糊模型的自组织辨识算法及应用[J]. 梁炎明,刘丁.  仪器仪表学报. 2011(09)
[6]基于T-S模型和小世界优化算法的广义非线性预测控制[J]. 王爽心,董旸,刘海瑞.  控制与决策. 2011(05)
[7]基于自适应模糊聚类的神经网络软测量建模方法[J]. 王锡淮,李少远,席裕庚.  控制与决策. 2004(08)
[8]基于T-S模糊模型的辨识算法[J]. 王守唐,高东杰.  控制与决策. 2001(05)



本文编号：3018772