摘要：模糊系统随着输入维数的增加,其中模糊规则和辨识参数的数量将按指数级增长,针对这一问题,采用分层模糊系统是一种很好的解决方法,但分层模糊系统中各层的辨识变量没有明确的物理含义,无法进行合理的模糊化设计和解释。基于一种分层模糊系统,引用中心性tsk模糊系统思想,从而构造了一种新型的模糊系统。这种新型模糊系统保留了分层模糊系统的结构优势,极大地减少了模糊系统的模糊规则数量和辨识参数数量,又能对用到的内部参数进行很好的解释。并通过实例仿真表明基于中心型tsk模糊模型的分层模糊系统具有较好的逼近性能和更简单的结构。

摘要：提出用遗传算法优化的Takagi-Sugeno-Kang(tsk)模糊模型对未知或不确定的混沌动力学系统进行辨识。在辨识未知混沌系统的tsk模型过程中,只需利用未知混沌系统的输出时间序列。首先,采用模糊聚类分析方法从训练数据建立其初始tsk模糊模型。然后采用实数编码的遗传算法对初始模型进行优化设计。同时为防止破坏模糊规则的语义属性,对遗传搜索空间采取了适当的限制。用辨识模型重建吸引子方法定性地评价辨识模型,通过计算辨识模型的Lyapunov指数定量地评价辨识模型的性能。仿真结果表明,该辨识模型能很好地逼近原混沌动力学系统,准确地体现原混沌系统的动力学特性。