第33卷第2期中国科学技术大学学报V01.33,No22003年4月JOURNALOFUNIVERSITYOFSCIENCEANDTE吲OLOGYOFCHINAApr.2003———————————————————————一一一~文章编号:0253—2778(200302421948用于系统辨识的神经模糊推理系统的研究丛爽,高雪鹏(中国科学技术大学自动化系,台肥230027摘要:通过具有代表性的、针对非线性系统辨识的例子,对自适应神经模糊推理系统在实际应用中采用不同方式的实现过程进行了详细分析与综合.首先,采用搜索树对模型输入变量的选取原则进行了分析;然后,分剐采用聚类分割法与平均分割法对模糊模型结构辨识方面的各自特点进行了比较.在对辨识模型的验证中,重点分析了训练样本数目、模糊模型参数数目与模糊模型泛化能力之间的关系,井通过不同模型测试性能结果的对比,说明并联模型泛化能力的复杂性.关键词:神经模糊推理系统;搜索树;模糊聚类;泛化能力;串联并列模型;并联模型中图分类号:TP273+.4文献标识码:A0引言自从20世纪80年代末期以来,随着模糊系统与神经网络的融合研究的不断深入,通过借鉴神经网络强大的学习能力,“使得基于模糊推理系统的非线性系统辨识已成为一种有效的方法1.虽然对模糊推理系统的逼近能力与模糊模型的参数辨识算法的研究已经相当透彻,但是在实际系统“辨识的应用中仍然存在若干问题影响系统辨识的质量本文将以一个非线性电机系统。为例,详细论述非线性系统辨识的全过程.其中,将重点分析几个重要问题,其中包括:模糊模璎输入变量选取、模糊模型的结构辨识以及采用并联结构的模糊模型泛化能力的复杂性.1非线性系统模型的表示通常人们用与线性系统中常用的自同归滑动平均模型(ARMA模型相对应的非线性自回归滑动平均模型(NARMA模型表示非线性系统,如(1式所示….Yt=,(YH,Yt。2,…,Yt…‰一】,…,//,女,。(1收稿日期:20ffZq446基盒项目:安徽省自然科学基金(03042301资助项日作者简介:丛爽,女,1961年4爿生,教授、嬉导、研究方向:人工神经网络,模糊控制,运曲控制,遗传算法菩E—mail:seong@uste.educn220中国科学技术太学学报第33—————————————————————卷一一———————————————————————————————————————————————————————————————————一根据第&次以前的输出信号是用系统的实际输出还是模型输出,可以得到两类不同的辩识模型——串联并列模型和并联模型,见图1.串联并列模型实际上是一个普通的多层前向网络,并联模型则由一个递归神经网络实现.(a串联并列模型(b并联模型图1建立系统模型的神经网络结构图Fig.1Thestructureofneuralnetworkinsystemidemification并联模型需要采用递归算法进行学习,一旦学习收敛,所得网络模型将与实际系统等价然而,在实际训练中并联模型往往不能保证网络训练的收敛性.因此人们通常采用串联并列模型,这样不但可以使辩识过程简化,而且能保证算法的全局稳定性.对于串联并列模型,网络的输入/输出关系式可以表示为:允=氕,。,y¨,…,Yh,“。,…,‰一,(2其中,整数n和m应在满足模型精度的要求下,作为辩识设计的一部分适当的选取.假设经过训练后,串联并列模型的模型输出n—h,在模型工作时,可以将模型输出代替实际输出反馈给模型输入,这样网络模型便完全独立于系统了,即转化为并联模型为:,&=/(,I】,,‘2,’一,,I…‘Ⅱ】,…,n^一。(3需要指出的是,实际系统中往往存在噪声,即使加上滤波器,仍然不能完全消除噪声的影响,使得丸一y。不能很好的满足.因此,当串联并列模型处于工作状态时,由于模型输出直接反馈回模型输入,从而产生测试误差.2模糊模型输入变量的选取在采用模糊推理系统对非线性系统的辨识过程中,输入变量数目的选取,直接关系到辨识的精度,但在实际中常常又是一件相当困难的事:变量选的少,意味着模型简单,但精度不高;选的多,模型又复杂,所以本文把如何选取最佳输入变量作为研究的一一个重点.辨识中对于系统的激励信号经常采用的是多频率、多幅值的正弦复合信号,以便使得辨识出的模型具有较好的泛化能力.研究中所选取的输人信号为u(%“50s油怎+300sin急+400sin淼+240sin笼+430sin淼+420sin等(4通常采用一阶Sugeno型模糊...