模糊辨识参数优化算法研究及应用

模糊模型的强大逼近能力，为非线性和不确定性系统提供了一种有效的建模方法。传统模糊建模方法因其局限性导致有时建模精度不能满足要求，随着智能优化算法的提出，此问题有了一条新的解决途径。将模糊模型辨识与智能算法相结合，采用智能优化算法对模糊模型的前后件参数进行优化，以此提高模型的辨识精度，是达到满意的辨识效果的一个有效方法。本文主要研究基于智能优化算法的模糊模型参数优化问题，具体工作如下：首先，概述了课题的研究意义及智能优化算法和T-S模糊模型的发展过程及研究现状，并对模糊辨识中几种常用的智能优化算法进行了仿真分析和比较，为后续研究提供了算法参考。其次，提出了一种改进的菌群优化算法，提高了BFO算法的收敛精度并避免其陷入局部最优。针对非线性系统的辨识问题，将其用于高斯型隶属函数参数的优化，并采用递推最小二乘算法更新模型的结论参数，实现对模糊模型全局参数的优化。然后，针对Mackey-Glass混沌时间序列的预测问题，提出一种基于修正型果蝇优化算法和最小Wilcoxon法训练T-S模糊模型的鲁棒预测方法。采用MFOA对高斯型隶属函数参数进行优化，可以提高辨识精度和收敛速度；采用LW辨识模糊模型的结论参数，当训练数据中出现例外点时，LW方法的强鲁棒性可以有效克服传统最小二乘方法对例外点敏感的缺点。最后，提出了一种应用PSO建立模糊逆模型的自适应逆控制算法，该方法首先建立非线性系统的离线模糊逆模型，采用T-S模糊模型与中心和宽度不确定的高斯型隶属函数，用PSO对逆模型的前提参数和结论参数同时进行优化，然后将其作为初始控制器与被控非线性对象串联，并利用变步长LMS算法在线调节模糊逆模型参数，同时将其复制作为系统的控制器，取得了较好的控制效果。