基于模糊模型的鲁棒辨识研究及应用

发布时间：2020-10-14 14:45

　　 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,也由于往往过于复杂,使得传统控制难以达到理想的控制效果。扎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。以系统的输入和输出量试验数据为依据,确定其模糊规则,建立系统的模糊模型。本文紧紧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。 首先,在非线性系统模糊建模过程中,由于存在噪声干扰以及耦合等不确定因素使得通过采用模糊聚类获得的描述模糊关系矩阵,其列间可能存在严重线性相关性,这样必然存在一些冗余规则。如何找到这些规则,化简规则,压缩模糊模型的输入空间是模糊建模的关键问题。本文根据目标函数选择模糊模型的结构,提出了一种非线性系统模糊建模新方法,并通过定理证明了该方法的收敛性。 其次,将时域领域的H_∞辨识方法应用于非线性系统的模糊建模中,使得由干扰到估计误差的最大能量增益达到最小,并利用线性矩阵不等式方法求解辨识过程中未知的能量因子γ,克服了实际工程中γ的值通常要由经验值给出的不确定性或是由迭代算法给出的复杂性等缺点。 最后,采用模糊辨识方法对电站仿真器中的汽轮发电机密封油冷却系统进行模糊建模,仿真及实验结果表明本文提出的模糊建模方法能有效地建立非线性系统模型,模型具有较好的精确性。相对于其它建模方法而言,得到的模型具有可解释性。
【学位单位】：大连理工大学
【学位级别】：硕士
【学位年份】：2009
【中图分类】：N945.14
【部分图文】：

图4.5FCM方法聚类结果Fig.4·5TheclusteringresultsbyFCM图4.6删减规则后的聚类中心Fig.4.6Theclusteringcentersafterrulesdeletion采用本章的方法对结论参数进行辨识。分别选取不同的初始参数几，氏，进行分组实验。，实验一:在初始化几=o.U，00一O，中。一0条件下，模型输出与实际样本间均方差为0.01〕_8，模糊模型与实际系统输出拟和曲线和误差曲线分别为图4.7和4.8。值幅以旗糊摸型输出曲线实际系统输2040印的100120140160出曲线}180200厂||卜||卜||L|卜日日日日。6SJ，，d介山吸0幅值

基于模糊模型的鲁棒辨识研究及应用FCM模糊聚类方法进行聚类，选取规则数c=10。应用第3章算法，经过删减规则后得到新的规则数c=3。图4.5给出了FCM方法聚类结果以及图4.6给出了删减规则后的聚类中心。_☆介砂☆☆一 101234图 4.5FCM方法聚类结果☆ ☆ ***森 森护、☆ ☆ *****☆ ☆☆Fig.4· 5TheclusteringresultsbyFCM图4.6删减规则后的聚类中心 Fig.4.6Theclusteringcentersafterrulesdeletion采用本章的方法对结论参数进行辨识。分别选取不同的初始参数几，氏，进行分组实验。，实验一:在初始化几=o.U，00一O，中。一0条件下，模型输出与实际样本间均方差为0.01〕_8，模糊模型与实际系统输出拟和曲线和误差曲线分别为图4.7和4.8。值幅以旗糊摸型输出曲线实际系统输 2040印的 100120140160出曲线} 180200厂||卜||卜||L|卜日日日日。 6SJ，，d介山吸0幅值样本数t.7模型与实际系统输出拟和曲线 TheoutPutcurvesofthemodelandthesystem样本数t图4Fig.47图4.Fig.4.88误差曲线Thee厅 oreurve实验二:在初始化几一0.000U
【共引文献】

相关硕士学位论文 前10条

1 余熠;基于SOC估计算法的电动汽车充电器设计[D];安徽工程大学;2010年

2 吴香庭;基于遗传算法的K-means聚类方法的研究[D];山东科技大学;2010年

3 蒋静;基于子空间的二阶统计量盲信道辨识算法研究[D];郑州大学;2010年

4 赵金平;基于矩阵变换的MIMO-OFDM系统信号检测[D];郑州大学;2010年

5 刘维巍;语音信号基音周期检测算法研究[D];哈尔滨工程大学;2010年

6 孙洪胜;基于方位角测量的无源定位算法研究[D];哈尔滨工程大学;2010年

7 巩俊;语音信号欠定盲源分离技术的研究[D];大连理工大学;2010年

8 柳永娟;数字音频真实性鉴定的研究[D];大连理工大学;2010年

9 唐科威;基于洛伦兹流形的特征提取算法研究[D];大连理工大学;2010年

10 王贤明;基于椭球集员估计理论的神经网络学习算法研究[D];长沙理工大学;2010年

本文编号：2840806