基于數(shù)據(jù)場聚類的模糊神經(jīng)網(wǎng)絡(luò)算法的研究.pdf

1、系統(tǒng)辨識是控制理論研究的一個(gè)十分重要的分支，是控制系統(tǒng)設(shè)計(jì)的基礎(chǔ)。多年來，對于線性、非時(shí)變系統(tǒng)的辨識已取得了很大的進(jìn)展。但是，隨著人類社會(huì)的發(fā)展進(jìn)步，越來越多的非線性現(xiàn)象和非線性系統(tǒng)已經(jīng)引起了研究者們廣泛關(guān)注，而建立描述非線性現(xiàn)象和非線性系統(tǒng)的模型是研究非線性問題的基礎(chǔ)。由于具有復(fù)雜非線性的系統(tǒng)不能簡單地用線性模型來描述，所以研究非線性系統(tǒng)建模方法有著很重要的實(shí)際意義。 對于非線性系統(tǒng)的辨識，目前還存在著很多困難，常用的方法有兩

2、種：一是用多線性模型在平衡點(diǎn)附近近似描述非線性系統(tǒng)，這對于嚴(yán)重的非線性系統(tǒng)如何做到平穩(wěn)切換，減小系統(tǒng)誤差仍然缺乏有效的手段；二是根據(jù)被控對象已知的信息，選擇與之相近的非線性模型。模糊模型辨識就屬于后者，由于其具有可以在任意精度上逼近任何非線性函數(shù)，能夠得到被控對象的定性與定量相結(jié)合的模型等優(yōu)點(diǎn)，而受到廣大學(xué)者的青睞。 本文提出了一種基于數(shù)據(jù)場聚類的模糊神經(jīng)網(wǎng)絡(luò)建模方法。首先，通過數(shù)據(jù)場聚類對實(shí)驗(yàn)數(shù)據(jù)樣本進(jìn)行規(guī)則自提取，得到模糊神

3、經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)。然后，輸入訓(xùn)練樣本對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，當(dāng)擬合誤差小于期望誤差時(shí)，停止訓(xùn)練，從而獲得模型參數(shù)，進(jìn)而確立模型。最后，用測試樣本檢測模型的泛化能力并計(jì)算預(yù)測誤差。此聚類算法可以在線地劃分輸入數(shù)據(jù)，自己組織模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，且不需要知道輸入數(shù)據(jù)的分布情況。隨著輸入數(shù)據(jù)的增多，規(guī)則數(shù)將自動(dòng)增加，并且訓(xùn)練完的模糊神經(jīng)網(wǎng)絡(luò)無矛盾規(guī)則。 為了驗(yàn)證模糊神經(jīng)網(wǎng)絡(luò)此算法的有效性，本文將其應(yīng)用到非線性單入單出和多入單出的動(dòng)態(tài)系統(tǒng)