基于数据驱动的模糊系统建模分析与研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 创新点摘要 | 第7-10页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究的背景与意义 | 第10-11页 |
| 1.2 模糊系统建模的发展及现状 | 第11-12页 |
| 1.3 模糊系统建模展望 | 第12页 |
| 1.4 论文主要内容 | 第12-14页 |
| 第二章 模糊系统概述 | 第14-25页 |
| 2.1 模糊控制基础理论 | 第14-16页 |
| 2.2 模糊系统的组成 | 第16-20页 |
| 2.3 常用的模糊系统 | 第20-22页 |
| 2.3.1 纯模糊系统 | 第20-21页 |
| 2.3.2 T-S模糊系统 | 第21页 |
| 2.3.3 基于模糊神经网络的模糊系统 | 第21-22页 |
| 2.4 模糊系统的通用逼近性 | 第22-24页 |
| 2.4.1 模糊系统通用逼近性的研究 | 第22-23页 |
| 2.4.2 典型T-S模糊系统的通用逼近性 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 数据驱动的建模方法 | 第25-32页 |
| 3.1 数据驱动问题的描述 | 第25-26页 |
| 3.2 数据驱动的建模步骤 | 第26-31页 |
| 3.2.1 输入变量的选择 | 第26-28页 |
| 3.2.2 模糊集的选择 | 第28页 |
| 3.2.3 结构辨识方法 | 第28-29页 |
| 3.2.4 参数辨识方法 | 第29-31页 |
| 3.3 模型的验证方法和品质指标 | 第31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于聚类算法的T-S模糊系统建模 | 第32-52页 |
| 4.1 T-S模型的数学描述 | 第32-34页 |
| 4.2 T-S模型的一般建模方法 | 第34-36页 |
| 4.3 T-S模型稳定性分析 | 第36-40页 |
| 4.3.1 T-S控制器的表示形式 | 第36-37页 |
| 4.3.2 稳定性分析 | 第37-40页 |
| 4.4 利用改进的模糊聚类算法进行结构辨识 | 第40-46页 |
| 4.4.1 模糊C-均值聚类 | 第41-43页 |
| 4.4.2 减法聚类 | 第43-44页 |
| 4.4.3 改进的模糊聚类算法 | 第44-46页 |
| 4.5 利用递推最小二乘法进行参数辨识 | 第46-47页 |
| 4.6 算法步骤 | 第47页 |
| 4.7 仿真实例 | 第47-50页 |
| 4.8 本章小结 | 第50-52页 |
| 第五章 基于模糊神经网络的模糊系统建模 | 第52-73页 |
| 5.1 模糊控制与神经网络的融合 | 第52-53页 |
| 5.2 基于标准模型的模糊神经网络 | 第53-56页 |
| 5.2.1 系统结构 | 第54-55页 |
| 5.2.2 学习算法 | 第55-56页 |
| 5.3 基于聚类算法的T-S模糊神经网络 | 第56-67页 |
| 5.3.1 将聚类引入T-S模糊神经网络 | 第56-57页 |
| 5.3.2 基于聚类算法的T-S模糊神经网络结构 | 第57-62页 |
| 5.3.3 参数和结构的学习算法 | 第62-67页 |
| 5.4 算法步骤 | 第67-68页 |
| 5.5 仿真实例 | 第68-72页 |
| 5.6 本章小结 | 第72-73页 |
| 结论 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 发表文章目录 | 第78-79页 |
| 致谢 | 第79-80页 |
| 论文详细摘要 | 第80-85页 |
