基于二型模糊神经网络的系统辨识算法研究
发布时间：2021-09-29 21:09
神经网络优势在于非线性映射和自适应学习能力；模糊系统主要处理模糊不确定信息。将两者有机结合近年来成为国内外学者研究焦点,使得模糊神经网络成为了非线性系统辨识的有力工具。本文针对二型模糊神经网络算法展开研究。1.设计了一种新的带补偿因子的区间二型模糊递归神经网络,该模糊神经网络适合于非线性动态系统辨识问题。二型模糊集合的使用更能有效处理不确定信息；补偿因子将传统的模糊推理扩展到补偿性模糊推理机制,使得系统能动态优化模糊规则,提高模糊规则适应能力的同时减少模糊规则数目；递归环节的设计充分利用了被测系统数据的自身联系性,使得系统具有记忆能力。基于模糊C均值聚类算法及其模糊度范围给出了确定前件网络参数初值方法；基于梯度下降法导出了所设计模糊神经系统的学习算法；分析算法的收敛稳定性的同时给出了最优学习率定理。实验结果表明,在模糊规则数和迭代次数较少的情况下所提算法较其他算法辨识精度更高。2.针对二型TSK模糊神经网络算法由于后件网络参数无法根据物理意义给出初值导致辨识结果不稳定问题,提出一种基于混合优化方法的二型模糊递归神经网络。后件网络参数的初值由带遗忘因子的最小二乘递推算法确定。该方法使得每...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
二型模糊集合Fig.2.1Type-2fuzzyset
其中X丨(J = 1,2,???,?;)表不输入变量，是输出变量，』丨(/ = j = 1，2,???,/?)表示区间二型模糊集合，本文使用的是高斯型隶属度函数，如图3.2所示。/，‘代表第/条模糊规则的补偿度，补偿因了不仅能自适应调节模糊隶属度函数而且能动态优化模糊推理过程。该模糊祌经网络的结构介绍如下：第一层（输入层）：该层和输入信号之间没有任何连接权值，直接将信号转送第二层，但输入该层的信号一般需要进行归一化处理。1圆0 C, C:图3. 2高斯型区间二型模糊银合Fig. 3.2 Gaussian interval type-2 fuzzy set第二层（模糊化层）：该层将输入变量模糊化，对于每个输入变量给定相应模糊规则的模糊度值。对于二型模糊神经网络，该层的每个节点使用区间二型高斯型主隶属度?函数，如图3.2所示。均值不确定方差固定的情况下
.8为不同学习率调整方法的学习效果对比曲线图。从图巾我们可以看到性时变系统的辨识，木文所提的最优学习率方法取得了最快的学习速度差；随着参数在区间[1,2)内增大，学习效率也表现更佳，但增加到一定现象；根据误差调节学习率方法的学习效率比固定学习率要高，但明显测试训练好的网络，我们采用的测试信号为例1巾的测试信号一样，这它文献一致。测试信号为式(3.57)。
【参考文献】：
期刊论文
[1]系统辨识:新的模式、挑战及机遇[J]. 王乐一,赵文虓. 自动化学报. 2013(07)
[2]区间Ⅱ型变论域自适应模糊逻辑控制器[J]. 赵国亮,张永立,李洪兴. 大连理工大学学报. 2012(06)
[3]基于极端学习机的多变量混沌时间序列预测[J]. 王新迎,韩敏. 物理学报. 2012(08)
[4]一种基于粒子群优化的非线性系统辨识方法[J]. 李秀英,韩志刚. 控制与决策. 2011(11)
[5]正负模糊规则系统、极限学习机与图像分类[J]. 吴军,王士同,赵鑫. 中国图象图形学报. 2011(08)
[6]A novel compensation-based recurrent fuzzy neural network and its learning algorithm[J]. WU Bo, WU Ke & L JianHong School of Energy and Environment, Southeast University, Nanjing 210096, China. Science in China（Series F:Information Sciences）. 2009(01)
本文编号：3414480
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
二型模糊集合Fig.2.1Type-2fuzzyset
其中X丨(J = 1,2,???,?;)表不输入变量，是输出变量，』丨(/ = j = 1，2,???,/?)表示区间二型模糊集合，本文使用的是高斯型隶属度函数，如图3.2所示。/，‘代表第/条模糊规则的补偿度，补偿因了不仅能自适应调节模糊隶属度函数而且能动态优化模糊推理过程。该模糊祌经网络的结构介绍如下：第一层（输入层）：该层和输入信号之间没有任何连接权值，直接将信号转送第二层，但输入该层的信号一般需要进行归一化处理。1圆0 C, C:图3. 2高斯型区间二型模糊银合Fig. 3.2 Gaussian interval type-2 fuzzy set第二层（模糊化层）：该层将输入变量模糊化，对于每个输入变量给定相应模糊规则的模糊度值。对于二型模糊神经网络，该层的每个节点使用区间二型高斯型主隶属度?函数，如图3.2所示。均值不确定方差固定的情况下
.8为不同学习率调整方法的学习效果对比曲线图。从图巾我们可以看到性时变系统的辨识，木文所提的最优学习率方法取得了最快的学习速度差；随着参数在区间[1,2)内增大，学习效率也表现更佳，但增加到一定现象；根据误差调节学习率方法的学习效率比固定学习率要高，但明显测试训练好的网络，我们采用的测试信号为例1巾的测试信号一样，这它文献一致。测试信号为式(3.57)。
【参考文献】：
期刊论文
[1]系统辨识:新的模式、挑战及机遇[J]. 王乐一,赵文虓. 自动化学报. 2013(07)
[2]区间Ⅱ型变论域自适应模糊逻辑控制器[J]. 赵国亮,张永立,李洪兴. 大连理工大学学报. 2012(06)
[3]基于极端学习机的多变量混沌时间序列预测[J]. 王新迎,韩敏. 物理学报. 2012(08)
[4]一种基于粒子群优化的非线性系统辨识方法[J]. 李秀英,韩志刚. 控制与决策. 2011(11)
[5]正负模糊规则系统、极限学习机与图像分类[J]. 吴军,王士同,赵鑫. 中国图象图形学报. 2011(08)
[6]A novel compensation-based recurrent fuzzy neural network and its learning algorithm[J]. WU Bo, WU Ke & L JianHong School of Energy and Environment, Southeast University, Nanjing 210096, China. Science in China（Series F:Information Sciences）. 2009(01)
本文编号：3414480
本文链接：https://www.wllwen.com/projectlw/xtxlw/3414480.html
