基于和聲搜索算法的T-S模型混合辨識方法.pdf

1、本課題受國家自然科學基金項目資助，項目批準號60874084。本文主要研究對象是基于T-S模型的辨識方法。
　　近年來，T-S模型因其在利用觀測數(shù)據(jù)建立非線性系統(tǒng)模型上的良好效果而受到了廣泛關注。通常，建立T-S模型包括輸入變量選擇、隸屬函數(shù)選擇以及參數(shù)優(yōu)化三個方面。當模型的輸入變量以及隸屬函數(shù)確定后，T-S模型建模就轉(zhuǎn)變?yōu)橐粋€多維非線性參數(shù)優(yōu)化問題。這也是目前許多T-S模型辨識方法所致力于解決的問題。
　　傳統(tǒng)的T-S模型

2、辨識方法，如模糊C均值聚類(FCM)算法與最小二乘法結(jié)合的辨識方法，常導致無法找到最優(yōu)解，因為其僅基于一組前件參數(shù)得到最優(yōu)的后件參數(shù)。這種方法通常會在復雜多維的參數(shù)空間內(nèi)陷入局部極值點。為了解決這個問題，本文設計了一種混和辨識算法(HIA)，通過將和聲搜索算法(HS)、FCM算法與最小二乘法有機結(jié)合，實現(xiàn)前件參數(shù)和后件參數(shù)的同時優(yōu)化。
　　HIA將待優(yōu)化參數(shù)空間分為前件參數(shù)子空間與后件參數(shù)子空間兩個部分，并在不同的子空間采用不同的

3、優(yōu)化方法：在前件參數(shù)子空間中采用和聲搜索算法進行優(yōu)化，而在后件參數(shù)子空間中采用最小二乘法進行優(yōu)化。和聲搜索算法作為一種后啟發(fā)式的隨機優(yōu)化算法，其引入使得HIA不依賴于待優(yōu)化函數(shù)的梯度信息以及初始點的選擇，并確保了整個優(yōu)化過程向著全局最優(yōu)點的方向收斂。同時，HIA中通過誤差反饋建立兩個優(yōu)化過程之間的內(nèi)在聯(lián)系，使得算法的搜索效率及辨識精度都得到很大的提高。
　　本文采用三個例子對HIA的性能進行仿真驗證，然后將HIA應用到了光纖陀螺穩(wěn)