一、Sugeno模糊模型的辨识(论文文献综述)
刘福才,吕金凤,任亚雪[1](2021)在《考虑重要输入变量选择的非线性系统模糊辨识》文中认为针对有数百个可能输入的复杂非线性动态系统模糊建模问题,本文提出一种新的考虑重要输入变量选择的模糊辨识方法.首先采用两阶段模糊曲线方法(TSFC)从大量可选择的输入变量中给出各输入变量与输出之间的关联度权重,根据输入变量指标快速选择出重要的输入变量,然后采用模糊聚类(FCM)和高斯(Gaussian)型隶属函数确定模糊模型前提参数,采用递推最小二乘(RLS)辨识出模糊模型结论参数.最后通过对Mackey-Glass混沌时间序列和Box-Jenkins煤气炉数据两个国际标准例题模糊建模验证了该方法的有效性,并将该方法应用到一个实际气动变载荷加载系统的模糊建模中,验证了该方法的实用性.
陆艺丹[2](2021)在《基于TS建模的不均衡不完整数据填补研究》文中研究说明在科技飞速发展的今天,各行各业都离不开数据的采集、记录、分析等操作,因此累积了相当庞大的数据量,而数据缺失是不可避免的问题。数据中的缺失值可能存在重要信息,从而会影响到数据挖掘结果的准确性,因此对不完整数据建模并对缺失值加以填补已经成为一项越来越重要的任务。回归填补通过分析数据集中的存在值和缺失值间的回归关系,对不完整数据建立回归模型从而完成填补,是一种常见的填补方法。但在不同的样本类别上属性间的回归关系通常是不同的,因此本文在TS模糊模型(Takagi-Sugeno Fuzzy model)的框架下,提出一种为不完整数据建立属性间精细回归模型的填补方法。在对不均衡数据集进行模糊建模的过程中通常会把多数类中的样本划分到少数类中。考虑到数据集中类不均衡的情况大量存在,该方法在TS前提参数辨识环节中提出一种基于局部距离的距离密度算法以获得不完整数据的划分,并在此基础上给出了一种样本隶属度的重构策略。为了进一步提高模型的精细度,在TS结论参数辨识环节中对每个模糊子集采用RRelief F算法来选择模型输入的相关特征。该方法针对建模过程中缺失值的存在导致模型输入不完整的问题,将缺失值视为变量,采用迭代学习的方式,动态学习缺失值、模型结构和结论参数,直至迭代收敛。伴随着属性回归建模的完成还可同时获得缺失值的填补结果。本文通过上述所提出方法对不均衡不完整数据建模,进而对缺失值进行填补。在UCI、KEEL数据集的实验结果表明,与传统的回归填补法相比,所提出方法不仅能够考虑到数据集中类不均衡的特性,同时能实现不完整数据中观测数据的充分利用,进而填补精度能够得到有效的提高。
车晓雅[3](2021)在《多标记学习中标记间相关性的获取及应用研究》文中研究表明随着人工智能的深入发展和科技的飞速进步,传统监督学习已经无法满足日益复杂的学习问题和数据形式。在现实生活场景中,常需要基于同一组输入变量训练并预测多个输出变量。为应对上述学习任务,时下备受关注的多标记分类学习应运而生。由于多标记数据含多个标记变量,输出空间的急剧膨胀导致了如下挑战:一方面,受限于存储空间和时间开销等因素,为每个可能的标记变量子集训练一个学习器显然是不现实的;另一方面,标记的激增造成获取被标记数据的成本增高,进而导致具有真实输出的多标记训练样本严重缺失。为提升多标记学习算法的预测精度、学习效率和泛化能力等,标记间相关性的度量与利用成为重要的突破口。但现存的关于标记间相关性获取的研究常于依赖外部知识,或通过统计输出空间中标记共现与互斥的频率以评估标记之间的关联程度。上述成果仅着眼于输出空间中各标记间的相互作用,并没能给出完善且富有说服力的理论框架以定性且定量地描述输出空间中的特征变量对标记及标记间相关性的影响。与此同时,也没能为如何运用标记间相关性提供较为有效的解决方案。为应对上述难点,本课题得到如下创新点以期为完善多标记学习的研究工作提供全新的思路和可行性方案:(1)针对具有离散型输入空间的多标记数据,提取关于标记的关键特征元素。通过比对不同标记的关键特征元素,计算标记关联矩阵以刻画输入空间中特征变量对标记及标记间相关性的影响。进而,输出空间中标记变量被划分为若干个互不相交的相关性标记子集,其内部标记之间具有较强相关性。在保证原输入空间对相关性标记子集辨识能力不变的前提下,设计面向多标记数据的特征选择算法CLSF。对具有强关联度的标记,算法CLSF可以删除对其冗余或干扰的特征,并提取强描述性特征,从而实现对输入空间和输出空间的双向降维。(2)一方面为避免在离散输入数据时丢失蕴含于特征变量中的辨识性信息,我们致力于完整保留数据中所含的全部描述性信息;另一方面,为降低基于关键特征元素的标记间相关性的计算复杂度,我们试图构造更为合理的度量以刻画特征对标记的二元重要性。因此,针对具有数值型输入的多标记数据,提取关于标记正、负局部类的关键特征。基于不同局部类对应关键特征的重合度,构造局部标记间相关性和全局标记关联矩阵。依据不同的相关性判断参数α,标记集被划分为若干个不重叠的关联标记子集。针对关联标记子集,设计了能够凸显标记局部特性的局部得分函数,以整合具有强相关性的局部类。最后,提出了多标记局部特征选择算法LRFS-α,对关联标记子集进行更具有针对性的局部特征选择,以强化多标记特征选择的学习和预测性能。(3)为避免在提取特征对标记二元重要性时造成描述性信息的损耗,我们旨在度量特征对于标记的关键程度;另外,为降低拟合强相关标记时造成标记间相关性信息的丢失,我们试图将标记关联矩阵直接用于多标记分类中。因此,为明确地量化输入空间中所含全部特征变量对输出空间中任意标记的鉴别能力,定义了关于标记的特征分布。结合不同的聚合策略,给出基于特征分布的标记间相关性的形式化概念与度量函数。进一步,构造基于特征分布的标记关联矩阵,从而较为全面和客观地反映输出空间中哪些标记之间具有强相关性,哪些标记之间关联性较弱甚至无关联。最后提出了基于标记关联矩阵的多标记分类器FL-MLC,以调整不同标记对应的预测系数之间的距离分布。(4)为解决被标记的多输出数据稀缺及数据异构,标记间相关性被推广应用于更为复杂且更具实际应用价值的场景中,即具有多输出回归任务的半监督学习。针对输出空间中的不同变量,首先获取辅助域(即源域)中的模糊规则,以尽量多的保持各输出的特性并抓取输出间的共性。在同构情境下,基于辅助数据与当前数据(即目标域)之间的相似性和差异性,算法FMOT通过改变并转换从源域中积累的模糊规则,以应对目标域中全新但相似的回归学习任务,从而解决被标记数据严重短缺的难题。在此基础之上,通过学习一个全新且公共的潜在特征空间,以对齐源域与目标域的输入空间,使算法FMOT能够适用于更为复杂的学习情境,即论域间异构。针对不同类型的带有多个输出的高维数据,本课题建立了较为完善的理论框架,以度量特征对标记的重要度。进而,基于重要度的标记关联矩阵被应用到多标记特征选择和分类中。最后,将标记间相关性推广运用至真实的应用场景中。相较于现有的多个多标记分类算法、多标记特征选择算法、多输出回归算法和迁移学习算法,上述所提算法在多个真实多标记数据和多输出数据中取得良好的实验效果。
吕金凤[4](2021)在《非线性动态系统模糊辨识方法研究》文中指出T-S模糊模型可简单、高效地描述复杂非线性系统,因其具有万能逼近性而被广泛应用于复杂非线性系统辨识领域。T-S模糊系统辨识的主要工作包括输入变量的选择与确定、模糊规则个数的确定、模糊空间划分以及前提和结论参数估计等。T-S模糊系统辨识领域的最新研究成果主要集中于优化用于训练或校准模型的参数,然而对于反映模型最佳性能所需的重要输入变量的选择问题还未引起足够重视。事实上,选择和优化系统的输入变量是模糊系统结构辨识的关键步骤之一,可以有效地消除冗余信息,进而降低模型的复杂度。本文围绕非线性动态系统T-S模糊模型重要输入变量选择、前提参数优化等问题进行研究,力求达到模型辨识精度的同时,降低模型的复杂度,减少系统运行时间,提高模型在线辨识能力,主要研究内容如下:在分析传统T-S模糊模辨识方法的基础上,提出一种模糊C均值(Fuzzy C-Means,FCM)聚类算法与Gauss函数相结合确定模糊模型前提参数的辨识方法(FCM-G)。首先,选用Gauss函数作为隶属度函数;然后,将FCM算法自动搜索确定的聚类中心作为Gauss型隶属函数的中心,该方法弥补了Gauss型隶属函数不能自动确定中心的缺陷。仿真结果表明,与采用FCM算法或Gauss函数进行模糊划分相比,基于FCM-G算法建立的模型能够获得较高的辨识精度。针对复杂非线性动态系统T-S模糊建模问题,提出了基于重要输入变量选择的模糊辨识方法。首先,利用简化的两阶段模糊曲线曲面法(Two Stage Fuzzy Curves,TSFC)选择模型的重要输入变量;然后,分别采用FCM聚类算法和三角形模糊划分方法确定模型前提参数。与现有的研究成果相比较,通过仿真研究验证了重要输入变量选择对模糊模型辨识精度和泛化性能的积极影响。为解决模型精度与模糊规则库大小的矛盾,将T-S模糊模型重要输入变量选择与前提参数优化相结合,提出了一种基于TSFC-FCM-G的模糊辨识方法。首先,基于两阶段模糊曲线法确定模型的重要输入变量;然后,采用FCM-G方法确定模型的前提参数;最后,采用递推最小二乘法辨识结论参数。两个国际标准例题和一实际变荷载气动加载系统上的仿真实验结果表明,该方法无需复杂的迭代优化过程即可获得较高辨识精度。为了进一步提高辨识精度,提出了基于TSFC和PSO(Particle Swarm Optimization,PSO)算法的模糊辨识方法。首先,基于TSFC算法进行输入变量选择;然后,利用FCM算法确定Gauss函数中心,进而通过PSO算法对Gauss函数的宽度进行优化。仿真实验结果验证了本文提出辨识方法的有效性和实用性。为了克服传统1型模糊系统在处理不确定性方面的局限性,针对一实际液压位置控制系统,建立了基于TSFC-FCM-G的区间2型T-S模糊模型。首先,利用TSFC算法确定模型重要输入变量;然后,通过FCM-G方法确定前提参数,采用集合中心(Center-of-Sets,COS)降型器得到降型输出;最后,通过递推最小二乘法确定结论参数。仿真实验验证了本文所建立模型具有良好的逼近性能。
崔少飞[5](2020)在《基于模糊辨识方法的阀控非对称缸液压伺服系统建模研究》文中认为电液伺服控制系统因为具有功率密度大和控制精度高等优势,所以在机器人、国防工业等领域被广泛应用。精确的数学模型是实现高品质液压伺服控制的重要前提,但由于液压伺服系统控制机理复杂且存在大量参数和结构不确定性,仅通过机理分析难以获取其精确的数学模型。为解决此问题,本文采用模糊辨识建立阀控非对称缸液压伺服系统的数学模型。模糊辨识是一种基于数据的先进建模方法,仅通过系统输入输出数据即可获取准确的数学模型,在电网系统、食品行业等领域被广泛应用。本文通过开展阀控非对称缸液压伺服系统实验获取输入输出数据,基于模糊辨识思想,建立液压伺服系统精确模型,为进行系统分析和控制设计提供基础,旨在提高阀控非对称缸液压伺服系统的控制精度和鲁棒性。本文对基于模糊辨识的液压伺服系统建模方法进行了深入分析和研究,具体的研究工作如下:首先,在Takagi-Sugeno模糊模型的结构辨识中,从定性定量两方面分析比较模糊C均值聚类算法和Gustafson-Kessel聚类算法的聚类效果,并结合仿真实例验证了Gustafson-Kessel聚类算法的优越性;应用集群有效性度量函数和兼容集群合并算法选取了最优的聚类中心数,仿真结果表明基于最优聚类中心数辨识的模糊模型具有较高的辨识精度和较好的模型质量。然后,在Takagi-Sugeno模糊模型的参数辨识中,分析比较了总最小二乘算法、局部加权最小二乘算法和全局最小二乘算法的特点,仿真结果表明基于全局最小二乘算法辨识的模糊模型具有较高的辨识精度,表明了全局最小二乘算法的优越性。最后,通过实验采集了阀控非对称缸液压伺服系统的输入输出数据。基于实验数据集和Takagi-Sugeno模糊模型的建模及优化方法,建立了具有较高辨识精度的阀控非对称缸液压伺服系统数学模型,为进行系统分析和控制设计提供基础。辨识模型与实测数据对比表明了模糊辨识在电液伺服系统辨识领域的优越性和有效性。
毛世聪[6](2020)在《基于T-S模型的舰船蒸汽动力装置机炉协调控制研究》文中研究指明由于蒸汽动力装置结构和热工动态过程复杂,机炉协调系统具有强非线性、大时延、多变量耦合和多约束等特点。随着近些年舰船自动化水平的不断发展,对机炉协调系统的控制性能要求越来越高,当前借助机理建模和传统控制策略往往无法取得令人满意的效果。本文在分析机炉协调控制系统动态特性、多模型建模方法和预测控制策略的基础上,对其数学模型和控制器设计展开研究,完成的主要工作有:(1)分析机炉协调控制系统组成、分类和特点,根据控制层次将其分成主控制系统、局部控制系统和负荷控制对象三部分,按照工作方式分为炉跟机和机跟炉两种类别,基于运行环境总结系统特点,并简单介绍实际机炉控制系统;(2)分别从输入变量选择、输入空间划分、前件参数辨识和后件参数辨识四个方面论述T-S模糊多模型建模方法基本原理,针对T-S模糊建模方法聚类数提高的同时计算负担会急剧增加的问题,提出采用改进遗传算法优化前件参数,并以Box-Jenkins煤气炉为研究对象,在MATLAB/Simulink中对所建模型进行仿真实验,通过对比改进前后两种模型的输出均方误差,验证了改进建模方法在改善模型精度上的有效性;(3)研究改进T-S模糊建模方法在机炉协调中的应用,首先以Bell-Astrom系统为对象,经多次改进调试,确定输入变量阶次选择与遗传算法部分参数调整方法,并对所建模型开展仿真实验,验证该建模方法在机炉系统中的可行性。再以实际机组试验数据为基础,结合Bell-Astrom系统建模的方法和经验,在MATLAB/Simulink中建立实际机组T-S模糊模型,计算比较不同建模方式下螺旋桨转速、输出功率和主蒸汽压力仿真输出的均方误差,验证模型精度;(4)由多变量广义预测控制算法基本原理,制定多模型预测控制加权策略,将T-S模糊模型和预测控制算法结合,参考Bell-Astrom系统预测控制器设计方法,完成实际机组多模型广义预测控制器设计,并进行阶跃扰动和变工况仿真试验,通过计算试验中目标输出的调节时间等参数,验证预测控制算法在船用机炉系统中的效果。上述研究结果表明:本文所提出的改进T-S模糊建模方法能有效提高建模效率、改善建模精度,基于该模型所搭建的多变量广义预测控制器能实现快速稳定的控制,提升蒸汽动力装置整体性能。
李严鹏[7](2020)在《基于时滞划分法的T-S模糊系统的稳定性分析与控制器设计》文中进行了进一步梳理实际控制系统中,时滞现象普遍存在,很大程度上影响系统性能甚至使系统无法稳定运行。另一方面,系统受参数不确定性以及外部干扰等因素的影响,使得建立的数学模型只能近似地描述实际系统,存在模型误差,降低控制性能。与传统控制相比,模糊控制不需要建立系统的精确数学模型即可达到较为精确的控制效果。Takagi-Sugeno(T-S)模糊模型利用局部线性化方法,将非线性系统分解为若干线性子系统,通过隶属度函数将线性子系统进行综合,形成全局意义下的模糊模型,实现在任意精度上逼近非线性系统,这种近似描述使得非线性系统问题可以用较为完备的线性系统理论分析方法来处理,为研究非线性系统提供了有效的理论分析方法。近年来,对时滞系统的稳定性分析与综合逐渐成为国际控制领域的研究热点之一,大量研究成果相继涌现,但仍有较大的改进空间。综上所述,本文将从以下三个方面开展研究工作:(1)考虑一类具有时变时滞的线性系统,首先引入调节参数α(0<α<1)对时滞区间进行划分,充分利用时滞信息,然后利用该划分法对系统的稳定性进行分析,通过构建改进的L-K泛函,引入增广矩阵以及三重积分项,并结合自由权矩阵方法和Jensen积分不等式法,以LMIs形式给出一个具有较小保守性的线性系统时滞相关型稳定性判据。最后给出两个数例,利用Matlab中的LMIs工具箱得到最大允许时滞上界值,并与相关研究成果比较,验证该判据的有效性。利用Simulink搭建系统模型,得到状态响应图,进一步验证所给判据的有效性。(2)考虑一类具有时变时滞的T-S模糊非线性系统,首先同样采用时滞划分法对时滞区间进行划分,然后构建改进的L-K泛函,在引入增广矩阵和三重积分项的基础上,加入四重积分项,充分利用时滞信息,以LMIs形式给出一个保守性较小的T-S模糊系统时滞相关型稳定性判据。最后给出示例,验证该稳定性判据的有效性,通过Simulink仿真,进一步验证本章所给稳定性判据的有效性。(3)在研究了基于T-S模糊模型的非线性时变时滞系统稳定性问题的基础上,进一步考虑系统具有参数不确定性以及外部干扰的问题,对不确定T-S模糊时滞系统进行鲁棒H∞稳定性分析与控制器设计,以LMIs形式给出不确定T-S模糊系统时滞相关型鲁棒H∞稳定性判据以及控制器设计方案。最后通过两个仿真示例分别验证所给判据的有效性以及鲁棒H∞控制器设计方案的可行性。
孔磊[8](2020)在《鲁棒模糊预测控制方法研究及其在燃煤机组中的应用》文中提出大量实际系统本质上都是非线性、控制受限且存在多种扰动和不确定性,对此本文研究了非线性系统鲁棒模糊模型预测控制及其相关问题,并将其应用于燃煤机组,以提高机组控制性能。本文主要成果包括:(1)针对非线性模型,本文提出了一种基于间隙度的模糊建模方法。该方法通过系统地考察非线性模型在一系列平衡点处的非线性情况来确定非线性模型的线性化点,使得所建立的Takagi-Sugeno模糊模型具有合适的复杂度和对非线性模型的逼近精度。最后,将所提方法应用到燃煤机组非线性机理模型,通过仿真验证其有效性;(2)为增强模糊预测控制算法的可行性,基于扩展非二次型李雅普诺夫函数、非平行分布补偿控制律和模糊融合系数凸性质,本文提出了三种离散Takagi-Sugeno模糊控制系统宽松镇定条件。通过充分利用矩阵松弛技术,所提镇定条件引入新的松弛矩阵,使得保守性逐渐降低。同时,仿真结果表明了若综合考虑保守性和计算效率,则所提镇定条件将优于很多现有研究成果;(3)针对系统扰动未知和控制受限等特性,假设扰动及其一阶差分有界且一阶差分稳态时为零,同时扰动和输出维数相等,本文设计了一种基于扩展状态观测器的非线性系统鲁棒无偏差模糊模型预测跟踪控制策略。通过在Takagi-Sugeno模型中加入扰动,构建了通用扰动模型以表征实际非线性系统动态特性。基于扩展状态观测器对未知扰动的精确估计,利用所提Takagi-Sugeno模糊控制系统宽松镇定条件,设计了鲁棒无偏差模糊模型预测跟踪控制策略。所提控制策略使得闭环系统渐近稳定且无偏差跟踪设定值,同时保证了自由控制变量部分和状态反馈部分控制输入同时满足输入幅值和变化率约束。最后,利用燃煤机组控制系统仿真结果验证所提控制方法的有效性。(4)假设扰动及其一阶差分有界且一阶差分稳态时为零,同时不再限制扰动维数,本文设计了一种基于传统非线性扰动观测器的非线性系统模糊模型预测控制策略。它由名义模糊模型预测控制律和扰动补偿控制律两部分复合得到,其中名义模糊模型预测控制经所提鲁棒无偏差模糊模型预测跟踪控制算法简化建立,使得名义控制系统渐近稳定,且控制输入同时满足幅值和变化率的约束。在扰动假设下,基于传统非线性扰动观测器扰动精确估计,提出了一种扰动补偿增益确定方法,使得所提控制策略能够去除稳态时扰动对输出通道的影响,从而保证了闭环控制系统能够渐近跟踪系统设定值。最后,将所提控制策略应用到燃煤机组中进行了验证,提高了机组控制的鲁棒性。(5)针对更广义的有界高阶复杂扰动,本文提出了一种基于广义离散非线性扰动观测器的非线性系统模糊模型预测控制策略。由于传统非线性扰动观测器无法精确估计高阶复杂扰动,本文通过对其系统地扩展构建了一种广义离散非线性扰动观测器。广义扰动观测器由内部状态变量串联而成,能精确估计阶数小于或等于观测器阶数的未知高阶扰动。名义模糊模型预测控制器的设计基于无偏差模糊模型预测跟踪控制算法,保证了名义控制系统渐近稳定和控制输入约束的满足。同时,通过扰动补偿增益的适当设计,扰动补偿控制律消除了闭环系统稳态时高阶扰动对系统输出的影响。因而,在有界高阶扰动下,所提控制策略依然能够保证闭环控制系统渐近跟踪性能,并通过燃煤机组控制系统仿真进行了验证。
周平平[9](2019)在《未知模糊隶属函数条件下非线性系统状态估计和故障诊断》文中研究指明随着工业4.0时代的到来,现代控制系统规模和复杂度不断增加,对其可靠性和安全性的要求也越来越高。控制系统的状态估计、故障诊断一直是理论和工程实际应用中重点关注和迫切需要解决的关键问题之一。然而,非线性、建模误差和未知输入扰动等因素的存在,使其在工程实际中的应用带来了很大的局限性。随着模糊理论的兴起,模糊理论在控制理论中被广泛应用,涌现了许多理论方法,但是常用的基于T-S模糊模型的控制系统中,我们通常是凭经验假设模糊隶属函数是已知或在线是可测的。但是当系统的隶属函数不可测时,这样的假设也就不那么合理与准确。鉴于此,本文在未知隶属函数情况下进行非线性系统的状态估计和故障诊断,填补了现有研究成果的一些不足。本文首先阐述了未知模糊隶属函数条件下非线性系统状态估和故障诊断研究的目的与意义,论述了其研究的必要性和对当今实际工程系统的重要贡献,同时分析了目前国内外研究现状的优点与不足。然后,根据本文所涉及到的相关知识,分别介绍了用T-S模糊模型描述非线性系统优点及其相关数学知识,包括线性矩阵不等式方法和凸优化等并且还列出了相关证明所需的引理。本文在进行系统的故障诊断和状态估计之前进行了T-S模糊模型的高阶化简方法(T-S模糊模型的有限频降阶),模糊模型高阶化简问题的实质就是与频率相关问题,在以往全频域T-S模糊模型化简,一般是增加权重的方法,但该方法会导致计算繁琐和非常耗时。因而提出了一种新的T-S模糊系统有限频率模型简化框架。通过低频、中频和高频域三个模型降阶算法得出该方法的可行性,也为下一步的系统的状态估计和故障诊断打下基础。对于系统的故障诊断,由于以往方法仍然具有较大的保守性,因而本章基于最小优先级切换律的理念提出了新的观测器设计框架。然后,对卡车拖车模型进行仿真,验证该方法的有效性,并且比较分析发现可以减少系统的保守性。对于系统的状态估计,由于进一步考虑到实际工程的应用,在系统模型中提出了基于未知输入的状况下进行状态估计稳定性分析。充分分析了连续和离散非线性系统的可测决策变量和不可测决策变量下的观测器设计。最后,通过仿真例子来验证该方法的可行性及比较其它文献发现其减少了系统的保守性。
邹雯[10](2019)在《基于二型模糊模型辨识的抽水蓄能机组性能劣化趋势预测研究》文中研究指明抽水蓄能电站在电力系统中承担调峰、调频、事故备用等任务,逐步成为我国电力系统不可替代的调节工具。抽水蓄能机组是一个水-机-电耦合的复杂非线性系统,且绝大多数按可逆式设计,水轮机/发电机运行与电动机/水泵运行相互交替,且开机、停机等工况切换频繁,导致异常振动、结构疲劳、运行方式破坏等各种故障与事故概率攀升。为提高机组稳定运行水平,抽水蓄能机组的故障预测一直是国内外学者的关注焦点及研究的关键性难题。为实现抽水蓄能机组故障预测,本文以抽水蓄能机组性能劣化趋势预测为突破口,利用模糊模型辨识的理论研究基础,解决区间预测核心问题;研究基于一型模糊集合理论和二型模糊集合理论的模糊模型辨识,致力于全面提升模糊模型建模精度,为后续区间预测模型建立奠定基础;深入探索机组故障预测策略,实现抽水蓄能机组性能劣化趋势区间预测。研究成果对提高我国抽水蓄能机组安全稳定运行水平具有重大理论研究意义和应用价值。论文的主要研究工作及创新性成果如下:(1)针对非线性系统建模研究需求,研究并建立非线性系统的T-S模糊模型,采用模糊C回归(Fuzzy C-Regression,FCR)聚类算法进行模糊空间划分,提出超平面型隶属度函数,以解决传统钟形高斯隶属度函数与FCR超平面聚类原型不匹配的难题,设计引力搜索算法多元优化框架,加速算法收敛,同时实现模糊模型高精度辨识;(2)深度融合二型模糊集合理论,拓展一型FCR聚类算法,提出改进的区间二型FCR聚类算法进行模糊空间划分,定义上下超平面聚类,直接推导上下超平面型隶属度函数,大幅提升T-S模糊模型辨识精度,为后续抽水蓄能机组性能劣化趋势区间预测模型建立奠定基础。(3)围绕机组故障预测研究,引入基于经验模态分解的信号分解算法,制定基于引力搜索算法的全局优化策略,以改进的区间二型FCR聚类算法为基础,提出抽水蓄能机组性能劣化趋势区间二型模糊区间预测模型,利用多指标评价体系,实现预测区间准确性及可靠性多尺度评估。
二、Sugeno模糊模型的辨识(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Sugeno模糊模型的辨识(论文提纲范文)
(1)考虑重要输入变量选择的非线性系统模糊辨识(论文提纲范文)
1 引言 |
2 预备知识 |
2.1 T–S模糊模型 |
2.2 模糊C–均值算法 |
3 考虑输入变量选择的模糊辨识方法 |
3.1 重要输入变量选择 |
3.1.1 第1阶段模糊曲线 |
3.1.2 第2阶段模糊曲线 |
3.2 提出的辨识方法 |
4 仿真举例与应用 |
4.1 Mackey-Glass混沌时间序列 |
4.1.1 重要输入变量选择 |
4.1.2 预测模型的建立 |
4.2 Box-Jenkins煤气炉系统 |
4.2.1 基于TSFC选择输入变量 |
4.2.2 预测模型建立 |
4.3 气动变载荷加载系统 |
4.3.1 基于TSFC选择输入变量 |
4.3.2 预测模型建立 |
5 结论 |
(2)基于TS建模的不均衡不完整数据填补研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.1.1 缺失值填补的研究背景与意义 |
1.1.2 不均衡数据的研究背景和意义 |
1.2 国内外的研究现状 |
1.2.1 缺失值填补的研究现状 |
1.2.2 不均衡数据的研究现状 |
1.3 本文的研究内容 |
1.4 本文的结构安排 |
2 基于TS建模的不完整数据填补 |
2.1 TS模型基本结构 |
2.2 基于TS建模的不完整数据填补 |
2.2.1 基于FDS-FCM的前件结构辨识方法 |
2.2.2 基于最小二乘法的后件结构辨识方法与缺失值填补 |
2.3 实验与分析 |
2.3.1 实验方案 |
2.3.2 结果与分析 |
2.4 本章小结 |
3 基于TS建模的不均衡不完整数据填补 |
3.1 TS模型前件部分优化 |
3.2 基于TS建模的不均衡不完整数据填补 |
3.2.1 基于距离密度算法的前件结构辨识方法 |
3.2.2 基于最小二乘法的后件结构辨识方法与缺失值填补 |
3.3 实验与分析 |
3.3.1 实验方案 |
3.3.2 合成数据集的结果与分析 |
3.3.3 真实数据集的结果与分析 |
3.4 本章小结 |
4 不均衡不完整数据精细建模与填补值迭代学习 |
4.1 TS模型后件部分优化 |
4.2 不均衡不完整数据精细建模与填补值迭代学习 |
4.2.1 基于距离密度算法的前件结构辨识方法 |
4.2.2 基于交替迭代方案的后件结构辨识方法 |
4.2.3 基于RRelief F交替迭代方案的后件结构辨识方法 |
4.3 实验与分析 |
4.3.1 实验方案 |
4.3.2 结果与分析 |
4.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(3)多标记学习中标记间相关性的获取及应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 多标记学习的研究现状 |
1.2.1 标记间相关性的研究 |
1.2.2 多标记数据中的特征选择 |
1.3 多任务学习及相关领域的研究现状 |
1.3.1 多任务学习 |
1.3.2 多输出回归学习 |
1.3.3 迁移学习的研究现状 |
1.4 研究动机与创新点 |
1.5 本文的内容安排 |
第2章 多标记学习中基于关键特征元素的标记间相关性的获取与应用 |
2.1 引言 |
2.2 预备知识 |
2.2.1 多标记学习的基本概念 |
2.2.2 多标记学习的评价标准 |
2.3 基于关键特征元素的标记间相关性 |
2.3.1 关于标记的关键特征元素 |
2.3.2 标记间相关性的获取 |
2.4 针对强相关性标记的特征选择 |
2.5 实验结果 |
2.5.1 数据集及试验设置 |
2.5.2 CLSF-MK算法性能分析 |
2.6 本章小结 |
第3章 多标记特征选择中基于关键特征的局部标记间相关性的获取与应用 |
3.1 引言 |
3.2 基础知识 |
3.2.1 模糊粗糙集理论 |
3.2.2 局部属性约简 |
3.3 基于关键特征的标记间相关性 |
3.3.1 关于标记的关键特征 |
3.3.2 标记关联矩阵的获取 |
3.4 标记间相关性在多标记特征选择中的应用 |
3.5 实验结果 |
3.5.1 数据集及实验设置 |
3.5.2 LRSF-α算法性能分析 |
3.5.3 LRMK-α算法性能分析 |
3.6 本章小结 |
第4章 多标记分类中基于特征分布的标记间相关性的获取与应用 |
4.1 引言 |
4.2 预备知识 |
4.2.1 核方法 |
4.2.2 模糊积分 |
4.3 关于标记的特征分布 |
4.3.1 特征分布的定义及度量 |
4.3.2 基于核的权重函数的优化 |
4.4 基于特征分布的标记间相关性 |
4.4.1 标记间相关性的获取 |
4.4.2 标记间相关性在多标记分类中的应用 |
4.5 实验结果 |
4.5.1 数据集及试验设置 |
4.5.2 FL-MLC算法性能分析 |
4.6 本章小结 |
第5章 多输出回归迁移学习中输出间相关性的获取与应用 |
5.1 引言 |
5.2 针对同构论域的多输出回归迁移学习 |
5.2.1 多输出回归学习 |
5.2.2 迁移学习 |
5.2.3 Takagi-Sugeno模糊系统 |
5.3 针对同构论域的多输出回归迁移学习 |
5.3.1 问题设置 |
5.3.2 针对源域的多输出模型 |
5.3.3 多输出模型的优化 |
5.3.4 针对目标域的多输出模型 |
5.4 针对异构论域的多输出回归迁移学习 |
5.4.1 异构论域的对齐 |
5.4.2 适用于异构论域的目标模型 |
5.5 针对同构论域的实验结果 |
5.5.1 数据集及实验设置 |
5.5.2 多目标回归结果 |
5.5.3 参数分析 |
5.6 针对异构论域的实验结果 |
5.6.1 数据集及试验设置 |
5.6.2 多目标回归结果 |
5.6.3 参数分析 |
5.7 本章小结 |
第6章 结论与展望 |
参考文献 |
攻读博士学位期间发表的论文 |
攻读博士学位期间参加的基金项目 |
致谢 |
作者简介 |
(4)非线性动态系统模糊辨识方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.2 国内外研究现状及分析 |
1.2.1 非线性系统模糊辨识 |
1.2.2 重要输入变量选择问题 |
1.2.3 智能优化算法应用 |
1.3 本文研究内容与结构安排 |
第2章 模糊模型辨识理论及FCM-G模糊辨识方法 |
2.1 引言 |
2.2 T-S模糊辨识基础理论 |
2.2.1 T-S模糊模型 |
2.2.2 T-S模糊模型结构辨识 |
2.2.3 T-S模糊模型参数辨识 |
2.3 基于FCM-G的 T-S模糊辨识方法 |
2.3.1 基于FCM-G的前提参数辨识 |
2.3.2 基于RLS的结论参数辨识 |
2.4 仿真研究 |
2.4.1 静态非线性函数 |
2.4.2 Mackey-Glass混沌时间序列 |
2.5 本章小结 |
第3章 基于TSFC的非线性动态系统模糊辨识 |
3.1 引言 |
3.2 基于TSFC的输入变量选择算法 |
3.2.1 第一阶段模糊曲线 |
3.2.2 第二阶段模糊曲线 |
3.3 基于TSFC的非线性动态系统模糊辨识 |
3.3.1 基于TSFC-T的 T-S模糊辨识方法 |
3.3.2 基于TSFC-FCM的 T-S模糊辨识方法 |
3.3.3 仿真研究 |
3.4 基于TSFC-FCM的气动变载荷加载系统模糊辨识 |
3.5 本章小结 |
第4章 基于TSFC-FCM-G的非线性动态系统模糊辨识 |
4.1 引言 |
4.2 基于TSFC-FCM-G的非线性动态系统模糊辨识方法 |
4.3 仿真研究 |
4.3.1 Mackey-Glass混沌时间序列 |
4.3.2 Box-Jenkins煤气炉系统 |
4.3.3 气动变载荷加载系统 |
4.4 本章小结 |
第5章 基于TSFC及PSO的非线性动态系统模糊辨识 |
5.1 引言 |
5.2 粒子群优化算法基本原理 |
5.3 基于TSFC及PSO的非线性动态系统模糊辨识方法 |
5.3.1 基于TSFC及FCM-G-PSO模糊前提结构及参数辨识 |
5.3.2 仿真研究 |
5.4 本章小结 |
第6章 考虑输入变量选择的区间2 型模糊系统辨识 |
6.1 引言 |
6.2 区间2型模糊系统辨识 |
6.2.1 2型模糊集 |
6.2.2 区间2型模糊系统 |
6.3 考虑重要输入变量选择的区间2型模糊系统辨识 |
6.4 液压缸位置系统模糊建模 |
6.4.1 内高压成形设备结构分析 |
6.4.2 基于区间2型模糊模型的液压缸位置系统模糊建模 |
6.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间承担的科研任务与主要成果 |
致谢 |
(5)基于模糊辨识方法的阀控非对称缸液压伺服系统建模研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外发展历程及研究现状 |
1.2.1 电液伺服系统辨识的发展历程及研究现状 |
1.2.2 模糊辨识的发展历程及研究现状 |
1.3 课题来源 |
1.4 本文主要的研究思路及内容安排 |
第2章 模糊辨识的基础理论 |
2.1 引言 |
2.2 模糊集 |
2.2.1 模糊集的定义及表示方式 |
2.2.2 模糊集中的隶属函数 |
2.3 Takagi-Sugeno模糊模型 |
2.3.1 Takagi-Sugeno模糊模型介绍 |
2.3.2 Takagi-Sugeno模糊模型结构辨识和参数辨识 |
2.4 模糊聚类算法 |
2.4.1 聚类算法中的数学模型 |
2.4.2 模糊C均值聚类算法 |
2.4.3 Gustafson-Kessel聚类算法 |
2.5 模型评价函数 |
2.5.1 均方误差 |
2.5.2 百分比方差 |
2.6 本章小结 |
第3章 基于模糊聚类算法的T-S模型结构辨识优化 |
3.1 引言 |
3.2 基于Box Jenkins煤气炉数据集的模糊辨识 |
3.2.1 Box Jenkins煤气炉数据集 |
3.2.2 模糊辨识的结果 |
3.3 结构辨识中聚类算法的选择 |
3.3.1 FCM和GK聚类效果的定性分析 |
3.3.2 基于集群有效性度量选择聚类算法 |
3.3.3 FCM和GK聚类算法的辨识精度对比 |
3.4 模糊辨识中系统输入变量的选择 |
3.5 聚类算法中聚类数的选择 |
3.5.1 基于集群有效性度量函数选择聚类数 |
3.5.2 基于兼容集群合并算法选取最优聚类数 |
3.5.3 聚类数对模型精度的影响 |
3.6 本章小结 |
第4章 基于最小二乘的T-S模型结果参数辨识研究 |
4.1 引言 |
4.2 基于总最小二乘算法估算结果参数 |
4.3 基于普通最小二乘算法估算结果参数 |
4.3.1 基于局部加权最小二乘算法估算结果参数 |
4.3.2 基于全局最小二乘算法估算结果参数 |
4.4 三种最小二乘算法的辨识结果对比 |
4.5 本章小结 |
第5章 阀控非对称缸液压伺服系统的模糊建模研究 |
5.1 引言 |
5.2 阀控非对称缸液压实验台的设备选型与加工 |
5.2.1 液压实验台的设备选型 |
5.2.2 液压实验台的加工 |
5.3 阀控非对称缸液压伺服系统实验数据采集 |
5.4 阀控非对称缸液压伺服系统的模糊辨识 |
5.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间承担的科研任务与主要成果 |
致谢 |
(6)基于T-S模型的舰船蒸汽动力装置机炉协调控制研究(论文提纲范文)
中文摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 机炉协调控制系统国内外研究现状 |
1.3 T-S模糊模型研究现状 |
1.4 多模型预测控制应用研究现状 |
1.5 本文主要研究内容 |
第2章 协调控制系统分析 |
2.1 协调控制系统组成 |
2.1.1 主控制系统 |
2.1.2 局部控制系统 |
2.1.3 负荷控制对象 |
2.2 协调控制系统分类及特点 |
2.2.1 协调控制系统分类 |
2.2.2 协调控制系统特点 |
2.3 某型实训机炉控制系统介绍 |
2.4 本章小结 |
第3章 T-S模糊模型辨识算法改进 |
3.1 T-S模糊模型描述 |
3.2 模糊模型结构辨识 |
3.2.1 输入变量选择 |
3.2.2 输入空间模糊划分 |
3.3 模糊模型参数辨识 |
3.3.1 前件部分参数辨识 |
3.3.2 后件部分参数辨识 |
3.4 基于遗传算法的T-S模糊模型参数优化 |
3.4.1 遗传算法的基本原理和特点 |
3.4.2 基于遗传算法优化T-S模型参数 |
3.5 本章小结 |
第4章 改进T-S模糊模型下船用机炉协调系统建立 |
4.1 基于改进T-S模糊模型的Bell-Astrom机炉系统建模 |
4.1.1 Bell-Astrom模型描述 |
4.1.2 Bell-Astrom机炉系统建模 |
4.1.3 模型仿真分析 |
4.2 基于改进T-S模糊模型的船用机炉系统建模 |
4.2.1 实际数据的处理 |
4.2.2 船用机炉协调系统建模 |
4.2.3 模型仿真分析 |
4.3 本章小结 |
第5章 蒸汽动力装置机炉协调控制策略研究 |
5.1 多变量广义预测控制算法 |
5.1.1 预测控制基本原理 |
5.1.2 多变量广义预测控制基本算法 |
5.1.3 多模型预测控制加权策略 |
5.1.4 多变量预测控制在T-S模糊模型中的应用 |
5.2 Bell-Astrom机炉协调系统预测控制仿真 |
5.3 船用机炉协调系统预测控制仿真 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的成果和参加的科研项目 |
1 攻读硕士学位期间发表的论文及专利 |
2 攻读硕士学位期间参加的科研项目 |
(7)基于时滞划分法的T-S模糊系统的稳定性分析与控制器设计(论文提纲范文)
摘要 |
ABSTRACT |
主要符号对照表 |
第一章 绪论 |
1.1 课题的研究背景及意义 |
1.2 课题的研究现状和发展趋势 |
1.2.1 时滞系统的研究现状和发展趋势 |
1.2.2 模糊控制理论的研究现状和发展趋势 |
1.2.3 T-S模糊系统的研究现状和发展趋势 |
1.2.4 鲁棒H_∞控制技术的研究现状和发展趋势 |
1.3 论文主要内容与章节安排 |
第二章 基础知识 |
2.1 线性系统介绍 |
2.2 非线性系统介绍 |
2.3 Lyapunov稳定性理论 |
2.4 鲁棒H_∞控制理论基础 |
2.5 线性矩阵不等式(LMIs)基础介绍 |
2.5.1 LMIs基础知识 |
2.5.2 Matlab中 LMIs的求解 |
2.5.3 仿真软件Simulink介绍 |
2.6 本文相关引理 |
2.7 本章小结 |
第三章 基于时滞划分法的线性时变时滞系统的稳定性分析 |
3.1 引言 |
3.2 线性时变时滞系统描述 |
3.3 线性时变时滞系统稳定性判据 |
3.4 仿真示例 |
3.5 本章小结 |
第四章 基于时滞划分法的T-S模糊系统的稳定性分析 |
4.1 引言 |
4.2 标称T-S模糊时滞系统描述 |
4.3 标称T-S模糊时滞系统稳定性分析 |
4.4 仿真示例 |
4.5 本章小结 |
第五章 不确定T-S模糊时滞系统鲁棒H_∞控制 |
5.1 引言 |
5.2 含有外部干扰的不确定T-S模糊时滞系统描述 |
5.3 不确定T-S模糊时滞系统鲁棒H_∞性能分析 |
5.4 不确定T-S模糊时滞系统的鲁棒H_∞控制器设计 |
5.5 仿真示例 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 全文工作总结 |
6.2 后续研究展望 |
致谢 |
参考文献 |
附录 |
一、已发表的学术论文 |
二、参加的科研项目 |
(8)鲁棒模糊预测控制方法研究及其在燃煤机组中的应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 引言 |
1.2 国内外研究现状 |
1.2.1 非线性系统模型预测控制研究现状 |
1.2.2 鲁棒无偏差模型预测跟踪控制研究现状 |
1.2.3 基于扰动观测器的控制策略研究现状 |
1.2.4 T-S模糊控制系统镇定条件研究现状 |
1.2.5 燃煤机组控制研究现状 |
1.3 现阶段研究存在的问题和不足 |
1.4 本文的主要工作和内容 |
第2章 基于间隙度的非线性系统T-S模糊建模方法 |
2.1 基于间隙度的非线性系统T-S模糊建模方法 |
2.2 燃煤机组模糊建模及验证 |
2.2.1 燃煤机组非线性机理模型 |
2.2.2 燃煤机组模糊建模与验证 |
2.3 本章小结 |
第3章 离散T-S模糊控制系统宽松镇定条件 |
3.1 预备知识 |
3.2 离散T-S模糊控制系统新型宽松镇定条件 |
3.3 数值仿真 |
3.4 本章小结 |
第4章 非线性系统鲁棒无偏差模糊模型预测跟踪控制 |
4.1 问题描述 |
4.2 非线性系统鲁棒无偏差模糊模型预测跟踪控制 |
4.2.1 扩展状态观测器 |
4.2.2 稳态优化 |
4.2.3 无偏差模糊模型预测跟踪控制器 |
4.3 燃煤机组鲁棒无偏差模糊预测跟踪控制仿真 |
4.4 本章小结 |
第5章 基于扰动观测器的非线性系统模糊模型预测控制 |
5.1 问题描述 |
5.2 基于扰动观测器的非线性系统模糊模型预测控制策略 |
5.2.1 名义模糊模型预测控制器的设计 |
5.2.2 扰动补偿增益的设计 |
5.3 基于扰动观测器的燃煤机组模糊预测控制仿真 |
5.4 本章小结 |
第6章 基于广义扰动观测器的非线性系统模糊模型预测控制 |
6.1 问题描述 |
6.2 广义离散非线性扰动观测器的设计 |
6.3 基于广义离散非线性扰动观测器的非线性系统模糊模型预测控制 |
6.3.1 扰动补偿增益的设计 |
6.4 基于广义扰动观测器的燃煤机组模糊预测控制仿真 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 全文总结 |
7.2 研究展望 |
参考文献 |
致谢 |
攻读博士学位期间发表和录用的学术论文 |
参加的主要科研项目 |
(9)未知模糊隶属函数条件下非线性系统状态估计和故障诊断(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 本课题研究的背景与意义 |
1.2 国内外的研究现状 |
1.2.1 故障诊断的定义 |
1.2.2 故障诊断的背景介绍 |
1.2.3 故障诊断的基本方法 |
1.2.4 非线性系统故障诊断发展现状 |
1.2.5 T-S模糊模型建模方法及应用现状的研究 |
1.3 本论文的主要研究内容 |
第二章 T-S模糊系统建模的贮备知识 |
2.1 模糊理论的发展 |
2.2 T-S模糊系统建模 |
2.2.1 T-S模糊模型的概述 |
2.2.2 经典物理模型的T-S模型 |
2.3 Schur补定理 |
2.4 凸优化 |
2.4.1 凸集与凸函数 |
2.4.2 凸组合 |
2.5 矩阵不等式的简化方法 |
2.5.1 变量消去法 |
2.5.2 S-procedure |
第三章 T-S模糊系统的有限频模型降阶 |
3.1 引言 |
3.2 问题描述 |
3.3 主要结果 |
3.3.1 有限频率性能分析 |
3.3.2 低频域模型的化简 |
3.3.3 中频域模型的化简 |
3.3.4 高频域模型的化简 |
3.4 仿真例子 |
3.5 结论 |
第四章 非线性系统的鲁棒性故障诊断 |
4.1 引言 |
4.2 问题描述 |
4.2.1 T-S模糊模型 |
4.2.2 基于最小优先级切换率的T-S模糊模型 |
4.3 故障观测器的设计条件 |
4.4 仿真例子 |
4.5 本章小结 |
第五章 基于未知输入的状态估计分析 |
5.1 引言 |
5.2 问题描述 |
5.3 可测量决策变量观测器的设计 |
5.3.1 离散非线性的观测器设计 |
5.3.2 连续非线性的观测器设计 |
5.4 基于不可测量决策变量的观测器的设计 |
5.4.1 离散非线性观测器设计 |
5.4.2 连续非线性观测器设计 |
5.5 仿真实例 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
附录2 攻读硕士学位期间申请的专利 |
致谢 |
(10)基于二型模糊模型辨识的抽水蓄能机组性能劣化趋势预测研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 创新点和章节安排 |
2 基于一型FCR的 T-S模糊模型辨识 |
2.1 引言 |
2.2 T-S模糊模型 |
2.3 基于FCR的模糊空间划分 |
2.4 超平面型模糊隶属度函数 |
2.5 基于GSA优化的模型辨识方法 |
2.6 实例分析 |
2.7 本章小结 |
3 基于MIT-2 FCR的 T-S模糊模型辨识 |
3.1 引言 |
3.2 二型模糊集合 |
3.3 基于IT-2 FCR的模糊空间划分 |
3.4 基于上下超平面型隶属度函数的MIT-2 FCR聚类算法 |
3.5 实例分析 |
3.6 本章小结 |
4 基于IT2-FIPM抽水蓄能机组性能劣化趋势区间预测研究 |
4.1 引言 |
4.2 抽水蓄能机组性能劣化趋势建模 |
4.3 区间预测评价指标 |
4.4 基于IT-2 FIPM的全局优化的区间预测方法 |
4.5 实例分析 |
4.6 本章小结 |
5 总结与展望 |
5.1 研究工作总结 |
5.2 进一步工作展望 |
致谢 |
参考文献 |
附录1 攻读硕士学位期间的科研成果 |
附录2 攻读硕士学位期间参与的科研项目 |
附录3 攻读硕士学位期间获得的主要荣誉 |
四、Sugeno模糊模型的辨识(论文参考文献)
- [1]考虑重要输入变量选择的非线性系统模糊辨识[J]. 刘福才,吕金凤,任亚雪. 控制理论与应用, 2021(09)
- [2]基于TS建模的不均衡不完整数据填补研究[D]. 陆艺丹. 大连理工大学, 2021(01)
- [3]多标记学习中标记间相关性的获取及应用研究[D]. 车晓雅. 华北电力大学(北京), 2021(01)
- [4]非线性动态系统模糊辨识方法研究[D]. 吕金凤. 燕山大学, 2021
- [5]基于模糊辨识方法的阀控非对称缸液压伺服系统建模研究[D]. 崔少飞. 燕山大学, 2020(01)
- [6]基于T-S模型的舰船蒸汽动力装置机炉协调控制研究[D]. 毛世聪. 武汉理工大学, 2020(08)
- [7]基于时滞划分法的T-S模糊系统的稳定性分析与控制器设计[D]. 李严鹏. 杭州电子科技大学, 2020(02)
- [8]鲁棒模糊预测控制方法研究及其在燃煤机组中的应用[D]. 孔磊. 上海交通大学, 2020(01)
- [9]未知模糊隶属函数条件下非线性系统状态估计和故障诊断[D]. 周平平. 南京邮电大学, 2019(02)
- [10]基于二型模糊模型辨识的抽水蓄能机组性能劣化趋势预测研究[D]. 邹雯. 华中科技大学, 2019