基于混合协同粒子群优化的广义T-S模糊模型训练方法

Journal of Systems Engineering and Electronics ›› 2009, Vol. 31 ›› Issue (5): 1189-1193.

基于混合协同粒子群优化的广义T-S模糊模型训练方法

周欣然^1,2, 滕召胜², 易钊²

1. 中南大学信息科学与工程学院, 湖南, 长沙, 410075;
2. 湖南大学电气与信息工程学院, 湖南, 长沙, 410082

收稿日期:2008-05-26 修回日期:2008-08-25 出版日期:2009-05-20 发布日期:2010-01-03
作者简介:周欣然(1976- ),男,博士研究生,主要研究方向为智能检测,智能信息处理.E-mail;zhou_xr@mail.csu.edu.cn
基金资助:
国家自然科学基金(60872128);国家技术创新基金(07C26214301740)资助课题

Training method for generalized Takagi-Sugeno fuzzy model by hybrid cooperative particle swarm optimization

ZHOU Xin-ran^1,2, TENG Zhao-sheng², YI Zhao²

1. School of Information Science and Engineering, Central South Univ., Changsha 410075, China;
2. Coll. of Electrical and Information Engineering, Hunan Univ., Changsha 410082, China

Received:2008-05-26 Revised:2008-08-25 Online:2009-05-20 Published:2010-01-03

摘要/Abstract

摘要： 针对广义Takagi-Sugeno(T-S)模糊模型训练中存在的高维、非线性、混合参数估计问题,提出了一种基于混合协同粒子群优化的广义T-S模糊模型训练方法.该方法用离散二进制微粒位置表示模型的结构参数,用普通微粒位置表示模型规则中模糊集隶属函数的参数;这两种微粒位置联合体构成一个模型完整的模型前件参数集.两种群通过协同进化优化所有前件参数;模型后件参数用卡尔曼滤波算法估计.该方法不要任何先验知识,能产生紧凑的、泛化性能较好的模糊模型.函数逼近的数字仿真说明了该方法的有效性.

Abstract: To solve the high-dimensional,nonlinearity,mixed-parameter optimization problem during training generalized Takagi-Sugeno fuzzy model(GTSFM),a method for training GTSFM is proposed using hybrid cooperative particle swarm optimization.The structural parameters of models are denoted by the position of discrete binary particles,and the parameters of the membership function in the model rule are denoted by the position of ordinary particles.The combination of positions of the two kinds of particles constitutes a complete premise parameters set of a model.All reasoning parameters are adjusted by cooperative coevolution of two particle swarms;all consequent parameters are estimated by Kalman filtering algorithm.The method does not request any previous information about objects and is able to produce a compact fuzzy model with the better properties of generalization.The numerical simulation of function approximation shows the validity of the method.

中图分类号:

TP273

周欣然, 滕召胜, 易钊. 基于混合协同粒子群优化的广义T-S模糊模型训练方法[J]. Journal of Systems Engineering and Electronics, 2009, 31(5): 1189-1193.

ZHOU Xin-ran, TENG Zhao-sheng, YI Zhao. Training method for generalized Takagi-Sugeno fuzzy model by hybrid cooperative particle swarm optimization[J]. Journal of Systems Engineering and Electronics, 2009, 31(5): 1189-1193.

参考文献

[1] 王士同.模糊系统、模糊神经网络及应用程序设计[M].上海:上海科学技术文献出版社,1998.
[2] Takagi T,Sugeno M.Fuzzy identification of systems and its application to modeling and control[J].IEEE Trans.on Systems,Man and Cybernetics,1985,15(1):116-132.
[3] 李合生,毛剑琴,代冀阳.基于遗传算法的广义Takagi-Sugeno模糊逻辑系统最优参数辨识[J].自动化学报,2002,28(4):581-586.
[4] 邬沛雄,杨善水.一种基于改进遗传算法的模糊建模方法[J].南京航空航天大学学报,2004,36(6):787-792.
[5] 陈国初,俞金寿.微粒群优化算法[J].信息与控制,2005,34(3):318-324.
[6] Kennedy J,Eberhart R C.Particle swarm optim-ization[C]//Proceeding of IEEE International Conference on Neural Networks,New York,NY,USA:IEEE,1995:1942-1948.
[7] Eberhart R C,Kennedy J.A new optimizer using particle swarm theory[C]//Proceedings of the Sixth International Symposium on Micro Machine and Human Science,New York,USA:IEEE,1995:39-43.
[8] Kennedy J,Eberhart R C.A discrete binary version of the particle swarm algorithm[C]//Proceedings of the 1997 International Con ference on Systems,.Man and Cybernetics,New York,USA,IEEE,1997:4104-4109.
[9] Van den bergh F,Engelbrecht A P.Cooperative learning in neural networks using particle swarrn optimizers[J].South Africa Computer Journal,2000,26:84-90.
[10] Van den bergh F.An analysis of particle swarm optimizers[D].Department of Computer Science,University of Pretoria,Pretoria,South Africa,2002.
[11] 张化光.何希勤.模糊自适应控制理论及其应用[M].北京;北京航空航天大学出版社,2002.
[12] Kennedy J,Spears W N.Matching algorithm to problem:an experimental test of the particle swarm and some genetic algorithms on multimodal problem generator[C]//Proc.of the International Conference on Evolutionary Computation,Anchorage,Alaska,USA,1998:78-83.
[13] 刘建成.模糊模型的智能学习方法与应用研究[D].长沙:中南大学,2005.
[14] Tanaka M,Ye J,Tanino T.Fuzzy modeling by genetic algorithm with tree-structured individuals[J].International Journal of System Science,1996,27(2):261-268.

[1]	杨文奇, 卢建华, 姜旭, 王元鑫. 基于改进ESO的四旋翼姿态自抗扰控制器设计[J]. 系统工程与电子技术, 2022, 44(12): 3792-3799.
[2]	徐海祥, 胡聪, 余文曌, 姚国全. 输入约束下的浮力调节式UUV变深控制[J]. 系统工程与电子技术, 2022, 44(11): 3496-3504.
[3]	刘满, 张宏军, 徐有为, 冯欣亮, 冯玉芳. 群队级兵棋实体智能行为决策方法研究[J]. 系统工程与电子技术, 2022, 44(8): 2562-2569.
[4]	史浩然, 卢发兴, 祁江鑫, 杨光. 基于辅助信标的无人机协同目标跟踪[J]. 系统工程与电子技术, 2022, 44(7): 2302-2310.
[5]	高升, 马广富, 郭延宁. 基于自适应未知输入观测器的多故障快速重构[J]. 系统工程与电子技术, 2022, 44(7): 2364-2373.
[6]	冯建鑫, 王雅雷, 王强, 胥彪. 基于改进粒子群算法的快速反射镜自抗扰控制[J]. 系统工程与电子技术, 2021, 43(12): 3675-3682.
[7]	刘星, 王文双, 赵建印, 朱敏. 自适应在线增量ELM的故障诊断模型研究[J]. 系统工程与电子技术, 2021, 43(9): 2678-2687.
[8]	李春辉, 马健, 杨永建, 肖冰松, 邓有为, 盛涛. 基于修正的自适应平方根容积卡尔曼滤波算法[J]. 系统工程与电子技术, 2021, 43(7): 1824-1830.
[9]	曹晓明, 魏勇, 衡辉, 沈智鹏. 海流扰动下无人水下航行器的动态面反演轨迹跟踪控制[J]. 系统工程与电子技术, 2021, 43(6): 1664-1672.
[10]	张跃坤, 贾晓洪, 张晓阳, 王炜强. 基于有限时间收敛干扰观测器的探导控一体化设计[J]. 系统工程与电子技术, 2021, 43(5): 1326-1334.
[11]	高昂, 董志明, 李亮, 宋敬华, 段莉. MADDPG算法并行优先经验回放机制[J]. 系统工程与电子技术, 2021, 43(2): 420-433.
[12]	顾凌枫, 何明, 陈国友, 季敏惠, 刘锦涛. 无人机集群系统弹性研究[J]. 系统工程与电子技术, 2021, 43(1): 156-162.
[13]	丁春山. 传感器管理技术研究现状与展望[J]. 系统工程与电子技术, 2020, 42(12): 2761-2770.
[14]	付焕森, 崔宝同, 庄波, 张建中. 一类具输入时滞的分布参数系统移动控制[J]. 系统工程与电子技术, 2020, 42(11): 2600-2606.
[15]	时维国, 国明. 鲸鱼优化相关向量机的网络控制系统变采样周期调度[J]. 系统工程与电子技术, 2020, 42(10): 2348-2355.