基于改进自适应粒子群算法的ＴＳ模型辨识

2012年03月27日15:42:55 本网站我要评论(2)字号：T | T | T

丁学明，张久忠，沈业茂
上海理工大学光电信息与计算机工程学院，上海

摘　　　要：提出基于改进自适应粒子群算法（ＩｍｐｒｏｖｅｄＳｅｌｆａｄａｐｔａｔｉｏｎＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）的ＴＳ模糊模型辨识方法。首先，利用核函数的模糊聚类算法划分数据空间，尽可能少地提取模糊规则，并消除孤立点、噪声点数据等的不利影响；其次，基于ＩＳＰＳＯ算法进行参数辨识，将待辨识的参数划分为若干粒子，自适应更新飞行速度，动态修改惯性权因子，惯性权因子呈非线性动态变化，不仅可以克服ＰＳＯ算法陷入局部较优的早熟，失去多样性，而且可以提高粒子在全局较优位置绕行时的稳定性。提出的方法使得ＴＳ模型辨识达到较高的辨识精度。仿真实例和比较分析证明了该算法的有效性。

关　键　词：ＴＳ模型；核函数；模糊聚类；ＰＳＯ算法

１　引　言
非线性动态系统辨识问题是目前系统辨识主要研究领域，ＴＳ模型［１］是一种有效的辨识工具，它是把非线性系统看成是多个线性系统的加权组合，通过模糊推理的方法实现了全局的非线性，能够逼近任意非线性系统，同时能够将线性系统理论应用于非线性系统控制当中。ＴＳ模型辨识可分为结构的辨识和参数的辨识２个层次。模糊Ｃ均值聚类（ＦＣＭ）［２４］是结构辨识的有效工具。在文献［５］中，提出了采用混沌序列优化的聚类方法确定模型的结构，可以取得聚类评价函数的全局极值，但是对于数据中的孤立点、噪声点很敏感，使得结构不够准确。后件参数的辨识实质是优化问题，ＰＳＯ算法［６］被用于许多优化问题和解决非线性问题，针对ＰＳＯ算法容易早熟和微粒在算法后期易在全局较优解附近“震荡” 的现象，许多研究者对ＰＳＯ算法进行了改进［７８］。文献［７］提出一种基于群体平均适应度的自适应ＰＳＯ算法；文献［８］通过在ＰＳＯ算法中，惯性权重从较大值０９线性地减小到较小值０４，但是很难找到适应于不同问题的较佳值。

登录网站后可下载文件

基于改进自适应粒子群算法的ＴＳ模型辨识

相关阅读: