基于粗集与聚类的神经模糊建模

在现代复杂工业控制中，由于被控对象通常具有多变量、严重的非线性、强耦合、大滞后、分布参数、时变以及种类繁多的干扰，使得基于精确数学模型的常规控制方法已无法获得满意的动静态控制效果。近年来，基于神经网络和模糊逻辑的神经模糊控制得到了广泛的应用。在众多的神经模糊建模方法中，数Jang于1994年提出的ANFIS-自适应神经模糊建模方法最为突出，它的自适应性质使得它几乎可直接应用于自适应控制和学习控制；事实上，它可以替代控制系统的任意神经元网络并执行同样的功能。然而它和绝大多数神经模糊建模一样总是不可避免地存在着这样一个难题，即结构辨识问题，也就是如何合适地划分输入输出空间，如何从观测数据中提取出较为简化的模糊规则库，避免规则库爆炸问题。 由Z.Pawlak提出的粗糙集理论是一种刻划不完整性和不确定性的又一个强有力的数学工具，能有效地分析不精确(imprecise)、不一致(inconsistent)、不完整(incomplete)等各种不完备的信息，还可以对数据进行分析和推理，从中发现隐含的知识,揭示潜在的规律。 本文在学习已有文献的基础上，结合作者三年来的学习与实践，利用聚类算法较好的数据组织与分类能力以及粗集理论强大的数据分析与分类能力，分别提出了两种从系统的观测数据中提取模糊规则的方法，构造类似于ANFIS模型的SCANFIS模型和RSANFIS模型，使得规则库的规模不再随系统的输入维数呈指数增长，一定程度上解决了维数灾难问题，为复杂的多输入系统的建模提出了一种切实有效的建模方法。具体的仿真试验表明这两种建模方法对于复杂的多输入系统的建模，在效率与精度上比ANFIS模型及其他模型都要好。