[发明专利]一种新型T-S模糊模型辨识方法

说明书

本发明涉及复杂非线性系统建模领域，公开了一种新型T‑S模糊模型辨识方法，该方法结合模糊C回归聚类算法和最小二乘支持向量机提出一种新型聚类算法，在此基础上，运用本发明设计的改进启发式优化算法进一步优化模糊模型前件参数，最后采用最小二乘法进行后件参数辨识。与现有技术相比，本发明设计的新型T‑S模糊模型辨识方法，采用最小二乘支持向量机描述聚类子模型，可有效提高聚类算法的空间划分能力，同时运用一种改进启发式优化算法优化前件参数，能得到更精确的辨识参数，显著提高模型的建模精度。

技术领域

本发明涉及复杂非线性系统建模领域，特别涉及一种新型T-S模糊模型辨识方法。

背景技术

随着人工智能技术的快速发展，基于数据驱动的系统建模方法已经引起了广泛关注。通过神经网络、模糊模型、支持向量机、最小二乘支持向量机等具备任意非线性拟合能力的代理模型，利用系统的输入输出数据，基于准则函数来构造控制变量和系统输出之间的隐含非线性映射关系从而实现对系统输出的估计，已经成为解决复杂非线性系统建模的有效途径。

T-S模糊模型辨识由前件参数辨识和后件参数辨识组成，在T-S模糊模型中通常采用聚类算法进行模糊空间划分获得合理的前件结构参数。因此，模糊模型辨识的关键在于模糊空间的划分，而模糊空间划分的关键在于每个子空间的模型描述。传统的模糊C均值聚类属于点原型聚类算法，不能保证划分子空间的线性度。在此基础上发展的模糊C回归聚类是一种线原型聚类算法，采用线性回归模型描述子空间，面对线性不可分的复杂非线性数据仍然存在一定的局限性，无法获得良好的聚类效果，将严重影响T-S模糊模型最终的辨识精度，常常难以获得满意的辨识效果。因此，研究新型聚类算法，建立一种更高精度的T-S模糊模型具有重要的理论和现实意义。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供新型T-S模糊模型辨识方法，结合模糊C回归聚类算法(FCRM)和最小二乘支持向量机(LSSVM)提出了一种新型聚类算法FCRM-LSSVM，实现模糊模型数据空间的合理划分，运用改进启发式优化算法对获得的前件结构参数进行优化，获得最优前件参数，可显著调高模糊模型辨识精度，实现复杂非线性的高精度建模。

技术方案：本发明提供了一种新型T-S模糊模型辨识方法，包括如下步骤：

步骤(1)：构建模糊模型输入输出样本集；采集实际系统的动态过程数据(x_k,y_k)，x_k为k时刻系统的输入信号，y_k为k时刻的系统的输出信号，k＝1，..，n，n为动态过程最大采样点数，选取系统当前时刻的输入以及过去时刻的输入和输出信号构建模糊模型输入x_k＝[x(k),x(k-1),...,x(k-n_a),y(k-1),y(k-2),...,y(k-n_b)]，以当前时刻的输出信号为模糊模型输出，构建模糊模型样本集(x_k,y_k)；

步骤(2)：T-S模糊模型的前件参数辨识，结合模糊C回归聚类算法和最小二乘支持向量机设计一种新型模糊聚类算法对模糊模型输入数据构成的模糊空间进行合理划分，获得每个子模型合适的隶属度函数中心和宽度

步骤(3)：建立T-S模糊模型前件结构参数优化目标函数；以前件结构参数为优化变量，采用训练样本实际输出与模糊模型输出之间的均方差来衡量模型精度；

步骤(4)：T-S模糊模型前件结构参数优化；利用改进启发式优化算法进行进一步优化，获得模糊模型的最优前件结构参数；

步骤(5)：T-S模糊模型后件参数辨识；基于步骤(4)获得的最优前件结构参数，运用最小二乘法求解步骤(3)中的目标函数，得到模糊模型的后件参数θ。

进一步地，所述步骤(3)中的目标函数为：