模糊模型算法的改进与研究

论文摘要

T-S模糊系统具有线性规则后件的特点,被广泛应用于基于数据建模的应用中。模糊系统辨识是模糊系统建模的主要手段,优化模糊系统结构是模糊系统辨识的关键。在模糊系统辨识的常用方法中,模糊聚类算法在处理大样本的情况更具有优势,从而提高了模糊系统的辨识效率。为了实现优化的模糊系统结构,模糊规则数的确定则是关键。因此本文针对以上问题做出以下工作:1、为了提高模糊系统的辨识效率,本文首先对模糊系统的建模方法——基于目标函数的模糊聚类算法进行研究。由于FCPM聚类算法能够有效的找到聚类的中心点,协同聚类算法可以使隶属度更加的精确,本文在FCPM聚类算法的基础上进行改进,和协同聚类算法相结合,提出了一种协同的CFCPM聚类算法。由于CFCPM算法在聚类的中心点和隶属度上都有所改进,提高了对数据集的聚类效果。在对数据集wine进行测试的结果表明,该方法的有效性。2、在CFCPM的基础上,本文进一步提出了新的模糊系统建模方法,该方法由两步组成:1)采用基于特征相似性的特征选择方法,去除原始数据的冗余;2)利用协同模糊聚类与G-K相结合的算法初始化模糊模型,使前件和后件参数得到优化。采用该算法对有效的特征进行协同模糊聚类,前后件参数得到改善,提高了模糊系统的辨识效率。模糊建模的实验结果,表明了该方法的有效性。3、在协同G-K聚类算法模糊建模的基础上,对T-S模糊系统结构进行优化,提出了规则可生长和修剪的T-S模糊系统的辨识。此方法以绝对误差为指标,从实际数据中提取T-S模糊系统的模糊规则,并根据每个规则对应局部模型对输出的影响,判断是否删减规则。整个算法完全实现了T-S模糊模型的在线辨识,使模糊系统的结构参数具有自适应的能力。在保证T-S模糊模型精确度不降低的情况下,实现了对模糊系统的结构的优化。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 模糊模型的研究
• 1.2 辨识方法的研究
• 1.3 聚类算法的研究与发展
• 1.4 本文的主要内容和文章结构
• 第二章 模糊聚类算法与其相关的数据处理方法
• 2.1 聚类的基本概念
• 2.1.1 模糊的简介
• 2.1.2 聚类
• 2.1.3 模糊聚类
• 2.2 常用的聚类算法
• 2.2.1 硬c-均值聚类
• 2.2.2 模糊c-均值聚类
• 2.2.3 G-K 聚类
• 2.2.4 FCPM 聚类
• 2.3 聚类算法的实例结果
• 2.4 数据的预处理
• 2.4.1 基本概念
• 2.4.2 实验结果与分析
• 2.5 特征的选择
• 2.5.1 基本概念
• 2.5.2 基于相似性的特征选择方法
• 2.5.3 实验结果与分析
• 2.6 本章小结
• 第三章 协同FCPM 算法研究
• 3.1 聚类的协同思想
• 3.2 协同FCPM 算法
• 3.2.1 基本思想
• 3.2.2 梯度投影在CFCPM 中应用
• 3.2.3 CFCPM 算法流程
• 3.3 实验结果与分析
• 3.4 本章小结
• 第四章 协同模糊聚类的模糊建模方法
• 4.1 T-S 模糊模型的数学描述
• 4.2 基于模糊聚类的模糊模型建模方法
• 4.3 协同模糊聚类算法
• 4.4 协同G-K 在T-S 模糊系统中的应用
• 4.4.1 利用协同G-K 聚类方法划分模糊空间
• 4.4.2 规则适应度的确定
• 4.4.3 后件参数的辨识
• 4.5 模型的验证
• 4.6 实验结果与分析
• 4.7 本章小结
• 第五章 T-S 模糊系统规则的添加和修剪
• 5.1 基本思想
• 5.2 局部线性模型对T-S 模糊模型的影响
• 5.3 T-S 模糊模型规则的添加和修剪
• 5.4 算法步骤
• 5.5 实验结果与分析
• 5.6 本章小节
• 第六章 总结与展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文