一种新的T_S模糊模型数学建模方法

资 源 简 介

一种新的T_S模糊模型数学建模方法

详 情 说 明

T-S模糊模型作为一种强大的非线性系统建模工具，近年来在控制理论和工程应用中受到广泛关注。传统的T-S建模方法通常依赖专家经验或聚类算法来划分前提变量空间，但这种做法可能面临规则爆炸或局部特性捕捉不足的问题。

本文提出一种基于数据驱动的新型建模框架，其核心创新在于将自适应划分与参数优化相结合。首先通过改进的密度峰值聚类算法对输入空间进行自动划分，避免了人为设定规则数的局限性。每个聚类中心对应一条模糊规则的前提部分，其隶属度函数采用可微的高斯型函数，便于后续梯度优化。

对于结论部分的线性模型参数，采用带正则化的最小二乘法进行估计，既保证了拟合精度又控制了模型复杂度。特别地，该方法引入了动态权重机制，使得规则间的相互作用能够根据输入特征自适应调整，显著提升了模型对非线性动态的刻画能力。

与传统方法相比，这种混合建模策略在保持T-S模型可解释性的同时，通过数据驱动的方式改善了以下三个方面：一是减少了规则冗余，二是提升了参数估计的鲁棒性，三是增强了模型对突变工况的适应能力。实验验证表明，该方法在典型非线性基准问题上可获得更紧凑的规则库和更高的预测准确率。

该方法为复杂工业过程的建模提供了新思路，特别是在具有强非线性、多工况特性的系统中展现出独特优势。未来研究方向包括在线学习机制的引入以及与其他智能算法的融合。