粒子群优化的广义T-S模糊模型参数学习方法

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

粒子群优化的广义T-S模糊模型参数学习方法

周欣然, 滕召胜, 易钊

文章导航 > 电子科技大学学报 > 2008 > 37(4): 569-573

周欣然, 滕召胜, 易钊. 粒子群优化的广义T-S模糊模型参数学习方法[J]. 电子科技大学学报, 2008, 37(4): 569-573.

引用本文:

周欣然, 滕召胜, 易钊. 粒子群优化的广义T-S模糊模型参数学习方法[J]. 电子科技大学学报, 2008, 37(4): 569-573.

ZHOU Xin-ran, TENG Zhao-sheng, YI Zhao. Parameters Learning Approach for Generalized Takagi-Sugeno Fuzzy Model Using Particle Swarm Optimization[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(4): 569-573.

Citation:

ZHOU Xin-ran, TENG Zhao-sheng, YI Zhao. Parameters Learning Approach for Generalized Takagi-Sugeno Fuzzy Model Using Particle Swarm Optimization[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(4): 569-573.

粒子群优化的广义T-S模糊模型参数学习方法

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

基金项目:

国家星火计划项目(2003EA770007);湖南省杰出青年基金(01JZY2101)

作者简介:
周欣然(1976-),男,博士生,主要从事智能检测、智能信息处理方面的研究.

中图分类号: TP273

Parameters Learning Approach for Generalized Takagi-Sugeno Fuzzy Model Using Particle Swarm Optimization

1.
College of Electrical and Information Engineering,Hunan University Changsha 410082;
2.
School of Information Science and Engineering,Central South University Changsha 410075

摘要: 提出了一种基于粒子群优化的广义T-S模糊模型参数学习方法。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前件参数集。每一学习循环分两步,前一步用粒子群进化迭代调整所有前件参数,后一步用正交最小二乘法估计后件参数。该方法不需任何先验知识,运算量小,能产生紧凑的模糊模型。非线性动态系统模糊建模的数字仿真说明了该方法的有效性。
- 模糊建模 /
- 广义T-S模糊模型 /
- 正交最小二乘法 /
- 粒子群优化
Abstract: A parameters learning approach for generalized takagi-sugeno (T-S) fuzzy model is proposed in this paper on the base of analysis of generalized T-S Fuzzy model. The structural parameters of the approach are denoted by the position of discrete binary particles and the parameters of membership function in the approach are denoted by the position of ordinary particles. The combination of positions of the two kind of particles composes complete premise parameters set of a model. A learning cycle consists of two phases:first, all reasoning parameters are adjusted by evolutionary iteration of particle swarm; second, all consequent parameters are estimated through orthogonal least square error algorithm. The method requests scarcely any previous information about objects, take less calculating time, and is able to obtain compact fuzzy model. The simulation result shows the validity of the approach.
- fuzzy modeling /
- generalized takagi-sugeno (T-S) fuzzy model /
- orthogonal least Square error /
- particle swarm optimization (PSO)

[1]	李虎泉, 郭世盛, 陈家辉, 崔国龙, 孔令讲. 分布式穿墙成像雷达空间配准方法 . 电子科技大学学报, 2023, 52(1): 30-37. doi: 10.12178/1001-0548.2022162
[2]	何羚, 舒文江, 陈良, 阎啸, 王茜. 改进的多目标粒子群优化算法及其在雷达布站中的应用 . 电子科技大学学报, 2020, 49(6): 806-811. doi: 10.12178/1001-0548.2020025
[3]	王传兵, 张利嵩, 李翔, 岳松, 吴秉横. 基于粒子群算法的多层介质透波性能优化 . 电子科技大学学报, 2019, 48(4): 498-503. doi: 10.3969/j.issn.1001-0548.2019.04.004
[4]	闫理跃, 王厚军, 刘震. 考虑奇点扰动问题的时间序列预测方法 . 电子科技大学学报, 2019, 48(6): 850-857. doi: 10.3969/j.issn.1001-0548.2019.06.008
[5]	唐贤伦, 刘庆, 张娜, 周家林. 混合PSO优化卷积神经网络结构和参数 . 电子科技大学学报, 2018, 47(2): 230-234. doi: 10.3969/j.issn.1001-0548.2018.02.011
[6]	张云春, 王玉婧, 姚绍文, 李娜, 胡建陶. 基于粒子群优化的无线Mesh网络信道分配算法 . 电子科技大学学报, 2017, 46(5): 728-733, 746. doi: 10.3969/j.issn.1001-0548.2017.05.015
[7]	张劼, 钟朗, 李广军, 杨学敏, 杨云乐. 基于节点优先级的无线Mesh网络资源分配 . 电子科技大学学报, 2016, 45(1): 54-59. doi: 10.3969/j.issn.1001-0548.2016.01.008
[8]	肖海林, 任婵婵, 聂在平, 李民政. 基于线性权重粒子群优化算法的多基站协作波束成型 . 电子科技大学学报, 2015, 44(5): 663-667. doi: 10.3969/j.issn.1001-0548.2015.05.004
[9]	刘强, 马家辰, 谢玮, 马立勇. 混合粒子群优化算法和案例推理方法的多机器人学习 . 电子科技大学学报, 2014, 43(1): 137-143. doi: 10.3969/j.issn.1001-0548.2014.01.023
[10]	阳凯, 赵志钦, 聂在平. 基于模糊离散粒子群算法的非均匀阵列优化 . 电子科技大学学报, 2012, 41(1): 43-47. doi: 10.3969/j.issn.1001-0548.2012.01.009
[11]	谭骏, 陈兴蜀, 杜敏, 朱锴. 基于自适应BP神经网络的网络流量识别算法 . 电子科技大学学报, 2012, 41(4): 580-585. doi: 10.3969/j.issn.1001-0548.2012.04.020
[12]	耿技, 聂鹏, 秦志光. 软件确保智能测试用例生成PSO算法进展研究 . 电子科技大学学报, 2012, 41(6): 905-910. doi: 10.3969/j.issn.1001-0548.2012.06.017
[13]	王维博, 冯全源. 粒子群优化算法在天线方向图综合中的应用 . 电子科技大学学报, 2011, 40(2): 237-241. doi: 10.3969/j.issn.1001-0548.2011.02.016
[14]	胡建, 李志蜀, 欧鹏, 罗思达. 粒子群优化算法中的分步式策略 . 电子科技大学学报, 2009, 38(3): 435-440. doi: 10.3969/j.issn.1001-0548.2009.03.028
[15]	任诚, 唐普英, 方峻. 拉伸技术粒子群优化算法的多用户检测器 . 电子科技大学学报, 2007, 36(5): 915-917.
[16]	吕士颖, 郑晓鸣, 王晓东. 基于免疫量子粒子群优化的属性约简 . 电子科技大学学报, 2007, 36(6): 1268-1272.
[17]	郑晓鸣, 吕士颖, 王晓东. 免疫接种粒子群的聚类算法 . 电子科技大学学报, 2007, 36(6): 1264-1267.
[18]	沈艳, 郭兵, 古天祥. 粒子群优化算法及其与遗传算法的比较 . 电子科技大学学报, 2005, 34(5): 696-699.
[19]	王海枚, 游志胜. 基于遗传算法与模糊控制的建模方法 . 电子科技大学学报, 2002, 31(3): 266-269.
[20]	梅登华, 蔡淮, 徐志根. 模糊环境下的优化决策 . 电子科技大学学报, 1998, 27(2): 199-203.

WeChat

点击查看大图

计量

文章访问数: 3587
HTML全文浏览量: 129
PDF下载量: 68
被引次数: 0

粒子群优化的广义T-S模糊模型参数学习方法

1. 湖南大学电气与信息工程学院长沙 410082;

2. 中南大学信息科学与工程学院长沙 410075

基金项目:

国家星火计划项目(2003EA770007);湖南省杰出青年基金(01JZY2101)

作者简介:
周欣然(1976-),男,博士生,主要从事智能检测、智能信息处理方面的研究.

收稿日期: 2007-10-20
修回日期: 2008-02-02
刊出日期: 2008-08-15

中图分类号: TP273

关键词:

摘要: 提出了一种基于粒子群优化的广义T-S模糊模型参数学习方法。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前件参数集。每一学习循环分两步,前一步用粒子群进化迭代调整所有前件参数,后一步用正交最小二乘法估计后件参数。该方法不需任何先验知识,运算量小,能产生紧凑的模糊模型。非线性动态系统模糊建模的数字仿真说明了该方法的有效性。

English Abstract

周欣然, 滕召胜, 易钊. 粒子群优化的广义T-S模糊模型参数学习方法[J]. 电子科技大学学报, 2008, 37(4): 569-573.

引用本文:

周欣然, 滕召胜, 易钊. 粒子群优化的广义T-S模糊模型参数学习方法[J]. 电子科技大学学报, 2008, 37(4): 569-573.

ZHOU Xin-ran, TENG Zhao-sheng, YI Zhao. Parameters Learning Approach for Generalized Takagi-Sugeno Fuzzy Model Using Particle Swarm Optimization[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(4): 569-573.

Citation:

ZHOU Xin-ran, TENG Zhao-sheng, YI Zhao. Parameters Learning Approach for Generalized Takagi-Sugeno Fuzzy Model Using Particle Swarm Optimization[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(4): 569-573.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发