本文研究模糊系統(tǒng)辨識過程中的參數(shù)辨識問題,所使用的方法是Tikhonov正則化方法。系統(tǒng)參數(shù)辨識通常僅考慮輸出端含有噪聲,而忽略了輸入端仍會存有擾動的情況。針對辨識中可能含有的各種噪聲,本文不僅分析了常見的輸出端存在誤差的情況,而且也給出了輸入輸出端同時具有噪聲的不適定問題的解法。本文的主要工作如下:1.當(dāng)只有輸出端存有噪聲,本文主要利用具有正則矩陣的Bayes正則化來解決該類不適定問題。許多數(shù)學(xué)模型都是不適定的反問題。Tikhonov正則化是解決不適定問題的重要方法。而由Tikhonov正則化發(fā)展而來的Bayes正則化,能夠較好地處理不適定性,同時能夠獲得正則參數(shù),又因?yàn)檎齽t矩陣的存在,進(jìn)一步提高不適定問題解的精確度。2.當(dāng)系統(tǒng)輸入端和輸出端同時包含噪聲,本文主要采用Tikhonov正則化的整體最小二乘法來解決不適定問題。整體最小二乘法能夠很好地解決兩端都具有擾動的不適定問題,通過Tikhonov正則化項(xiàng)的修正,能獲得較好地結(jié)果。而正則參數(shù)的確定,則提出一種基于蛙跳算法的選取方法。3.結(jié)合有正則矩陣的Bayes正則化方法與Tikhonov正則化的整體最小二乘法,本文解決了T-S模糊系統(tǒng)...

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
1. 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 系統(tǒng)辨識研究現(xiàn)狀及發(fā)展
        1.2.2 正則化理論研究現(xiàn)狀及發(fā)展
    1.3 論文研究內(nèi)容及組織結(jié)構(gòu)
2. 正則化理論
    2.1 反問題與不適定問題
        2.1.1 反問題
        2.1.2 不適定問題
    2.2 Tikhonov正則化
    2.3 具有正則矩陣的Bayes正則化
        2.3.1 理論知識
        2.3.2 算法與步驟
        2.3.3 數(shù)值實(shí)例
    2.4 本章小結(jié)
3.基于整體最小二乘法的不適定問題研究
    3.1 最小二乘法
    3.2 整體最小二乘法
        3.2.1 概述
        3.2.2 基本理論
        3.2.3 Tikhonov正則化整體最小二乘
        3.2.4 整體最小二乘算法
    3.3 蛙跳算法求取正則參數(shù)
        3.3.1 智能優(yōu)化算法簡介
        3.3.2 混合蛙跳算法
        3.3.3 參數(shù)求解模型
    3.4 仿真實(shí)例
        3.4.1 算例一
        3.4.2 算例二
    3.5 本章小結(jié)
4.Tikhonov正則化在系統(tǒng)辨識中的應(yīng)用
    4.1 模型知識
    4.2 T-S模糊模型
        4.2.1 系統(tǒng)描述
        4.2.2 系統(tǒng)前提結(jié)構(gòu)及前件參數(shù)辨識
        4.2.3 系統(tǒng)后件參數(shù)辨識
    4.3 仿真數(shù)值分析
        4.3.1 數(shù)值實(shí)例一
        4.3.2 數(shù)值實(shí)例二
    4.4 本章小結(jié)
5.結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
作者簡介



本文編號：4034531