基于神经模糊系统的多模型建模方法及在软测量中的应用

《基于神经模糊系统的多模型建模方法及在软测量中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要近年来，对于具有多变量、非线性、变量间有多重相关性特点的复杂系统的建模，采用较多的是利用神经网络、模糊逻辑等智能方法建立单一模型。然而，对辅助变量采用单一的函数关系来拟合输出，而不考虑数据组之间的联系和差异，会造成建模偏差，而且不同网络在不同输入空间中的预测性能会有所不同。当样本数量很多时，仅用一个网络来建立模型，会造成网络结构过于庞大，训练时间也会随之变长。本文所做的工作是福建省自然科学基金项目“具有自学习功能的快速知识建模”的一部分。主要针对单模型结构建模方法存在的问题，对多模型结构建模方法进行了研究。首先采用多变量统计方法中利用偏最d*-乘方法(PLS)对异常数据进行检测并剔除

2、。在对建模数据进行分类时，提出了一种基于减法聚类改进的模糊C．均值(FCM)聚类方法，得到了合理的聚类数目；在建模方法的选择上，本文采用了结合减法聚类算法的ANFIS模型，该方法能以任意精度逼近非线性函数；针对多模型加权结构中权值较难确定的问题，提出了多模型非加权结构，通过仿真实验表明多模型非加权结构能有效提高模型的泛化能力，具有比单模型更好的建模效果；并提出了一种基于ANFIS的分类器，用于对现场数据进行判别分析，仿真表明这种判别分析方法理论意义明确、时间反应迅速、误判率低，具有很好的判别分析效果。针对输入变量多且具有多重相关性的复杂系统，提出了一种基于PLS的神经模糊多模型建模方法，

3、并通过仿真应用表明，模型具有输出误差小、泛化能力强等特点，从而证明该建模方法的有效性。最后，将这两种神经模糊多模型建模方法分别应用于厌氧消化过程中挥发性脂肪酸浓度的预测和飞机燃油箱剩余油量的预测中，通过与单模型网络的对比分析，得出多模型建模方法可以改进模型的泛化能力，具有更好的效果。关键词：多模型；软测量；自适应神经模糊推理系统；聚类ABSTRACTInrecentyears，thecommonmethodinmodelingthecomplexsystemswhichhavecharactersofhighdimensionofinputs,nonlinearityandstrongc

4、orrelationbetweentheinputs,isuseintelligentmethodssuchasneuralnetwork,fuzzylogictoestablishasinglemodel．However,themodelwouldcausedeviationifweusethesinglefunctiontothesecondaryvariabletofittheoutput，andwithoutconsideringthelinksbetweenthedatasets．Moreoverdifferentnetworksindifferentinputspace，th

5、eforecastperformancewillbedifferent．Andwhenthesamplesarehuge，onlyusesanetworktoestablishamodelwillcauselargenetworkarchitecture，andwehavetousethelongertimefortraining．Inthispaper,theauthorintroducedmulti—modeltechnologybasedonthemodelingproblemofsingle—modelstructure．Firstly，theauthorusedPartialL

6、eastSquares(PLS)methodtodetectoutlier．AndthenproposedamodifiedFuzzyC-Meansclustering(FCM)basedonSubstractiveClustering,andreceivedareasonablecluster．ThemodelwhichcombinedSubstractiveClusteringandANFISWasintroduced；thiskindofmodelisfitforthenonlinearsystem．Aimingatthedificultnesstodeterminetheweig

7、htinweightedmulti·modelstructure，thenon-weightedmulti-modelstructureisproposed．Simulationresultsshowthatcomparedtothesinglemodelthenon-·weightedmulti·-modelstructureCallenhancethemodelforecastabilityeffectively．Andthen