Información del artículo
Resumen
En este trabajo se presenta un método de obtención de modelos borrosos Takagi-Sugeno. Este método actualiza en línea tanto la estructura como los parámetros del modelo mediante la combinación de un nuevo algoritmo de agrupamiento en línea con técnicas de mínimos cuadrados. El algoritmo de agrupamiento propuesto se utiliza para la identificación de la estructura del modelo borroso, generando las clases de las cuales se obtienen los antecedentes de las reglas. La actualización de los parámetros del consecuente se logra mediante estimadores de mínimos cuadrados.
Palabras clave:
identificación en línea
modelo borroso Takagi–Sugeno
agrupamiento en línea
adaptación del modelo
El Texto completo está disponible en PDF
Referencias
[Angelov and Filev, 2004]
P. Angelov, D. Filev.
An approach to online identification of Takagi-Sugeno fuzzy models.
IEEE Trans. on Syst. Man, and Cyb.-Part B, 34 (2004), pp. 484-498
[Angelov and Zhou, 2006]
P. Angelov, X.-W. Zhou.
Evolving fuzzy systems from data streams in real-time.
EFS’06, IEEE Press, (2006),
[Babuska, 1998]
R. Babuska.
Fuzzy Modeling for Control.
Kluwer Acad. Pub, (1998),
[Bouchachia and Mittermeir, 2007]
A. Bouchachia, R. Mittermeir.
Towards incremental fuzzy classifiers.
Soft Comput, 11 (2007), pp. 193-207
[Box and Jenkins, 1970]
G.E.P. Box, G.M. Jenkins.
Time series analysis, forecasting and control.
Holden Day, (1970),
[Díez et al., 2004]
J.L. Díez, J.L. Navarro, A. Sala.
Algoritmos de agrupamiento en la identificación de modelos borrosos.
RIAI, 1 (2004), pp. 32-41
[Echeverry et al., 2004]
N. Echeverry, O. Quintero, M. Ramírez, H. álvarez.
Control de un biorreactor para fermentación alcohólica en continuo.
CLCA’04, Cuba, (2004),
[Garro, 1993]
Garro, O.A. (1993). Fermentación alcohólica con Zymomonas sp. Estudio de modelos matemáticos y su verificación mediante ensayos de fermentación. Tesis doctoral. Universidad Nacional de Tucumán, Argentina.
[Guedalia et al., 1999]
I. Guedalia, M. London, M. Werman.
An online agglomerative clustering method for non-stationary data.
Neural Comput, 11 (1999), pp. 521-540
[Kasabov and Song, 2002]
N. Kasabov, Q. Song.
DENFIS: Dynamic evolving neural-fuzzy inference system and its application for timeseries prediction.
IEEE Trans. on Fuzzy Syst, 10 (2002), pp. 144-154
[Kukolj and Levi, 2004]
D. Kukolj, E. Levi.
Identification of complex systems based on neural and Takagi-Sugeno fuzzy model.
IEEE Trans. on Syst. Man, and Cyb.-Part B, 34 (2004), pp. 272-282
[Lughofer and Klement, 2005]
E. Lughofer, E.P. Klement.
FLEXFIS: A variant for incremental learning of Takagi-Sugeno fuzzy systems.
FUZZ-IEEE 2005, Reno, (2005),
[Martínez et al., 2006]
B.L. Martínez, F. Herrera, J.A. Fernández.
Métodos de agrupamiento clásico para el modelado difuso en línea.
FIE’06, Cuba, (2006),
[Narendra and Parthasarathy, 1990]
K.S. Narendra, K. Parthasarathy.
Identification and control of dynamical systems using neural networks.
IEEE Trans. on Neural Netw, 1 (1990), pp. 4-27
[Takagi and Sugeno, 1985]
T. Takagi, M. Sugeno.
Fuzzy identification of systems and its applications to modelling and control.
IEEE Trans. on Syst. Man, and Cyb, 15 (1985), pp. 116-132
[Wang, 1997]
L.X. Wang.
Adaptive fuzzy systems and control.
2nd ed, Prentice Hall, (1997),
[Yu and Ferreyra, 2005]
W. Yu, A. Ferreyra.
On-line clustering for nonlinear system identification using fuzzy neural networks.
FUZZIEEE 2005, Reno, (2005),
Copyright © 2008. Elsevier España, S.L.. Todos los derechos reservados