Método de Agrupamiento en Línea para la Identificación de Modelos Borrosos Takagi-Sugeno

Boris Martínez

Cuba

Universidad Central de Las Villas

Francisco Herrera

Cuba

Universidad Central de Las Villas

Jesús Fernández

Cuba

Universidad Central de Las Villas

Erick Marichal

Cuba

Universidad de Ciencias Informaticas

Enviado: 14-09-2017

|

Aceptado:

|

Publicado: 11-07-2008

Datos de financiación

Descargas

Palabras clave:

identificación en línea, modelo borroso Takagi–Sugeno, agrupamiento en línea, adaptación del modelo

Agencias de apoyo:

Ministerio de Educación Superior de Cuba

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.
Ver más Ver menos

Citas:

Angelov, P. and D. Filev (2004). An approach to online identifi- cation of Takagi-Sugeno fuzzy models. IEEE Trans. on Syst. Man, and Cyb.-Part B 34(1), 484–498.

Angelov, P. and X.-W. Zhou (2006). Evolving fuzzy systems from data streams in real-time. In: EFS’06. IEEE Press. Ambelside, UK.

Babuska, R. (1998). Fuzzy Modeling for Control. Kluwer Acad. Pub. Boston, USA.

Bouchachia, A. and R. Mittermeir (2007). Towards incremental fuzzy classifiers. Soft Comput. 11(2), 193–207.

Box, G.E.P. and G.M. Jenkins (1970). Time series analysis, forecasting and control. Holden Day. San Francisco, USA.

Díez, J.L., J.L. Navarro and A. Sala (2004). Algoritmos de agrupamiento en la identificación de modelos borrosos. RIAI 1(2), 32–41.

Echeverry, N., O. Quintero, M. Ramírez and H. Álvarez (2004). Control de un biorreactor para fermentación alcohólica en continuo. In: CLCA’04. La Habana, Cuba.

Garro, O.A. (1993). Fermentacion alcohólica con Zymomonas sp. Estudio de modelos matemáticos y su verificación mediante ensayos de fermentación. Tesis doctoral. Universidad Nacional de Tucumán, Argentina.

Guedalia, I., M. London and M. Werman (1999). An online agglomerative clustering method for non-stationary data. Neural Comput. 11(2), 521–540.

Kasabov, N. and Q. Song (2002). DENFIS: Dynamic evolving neural-fuzzy inference system and its application for timeseries prediction. IEEE Trans. on Fuzzy Syst. 10(2), 144–154.

Kukolj, D. and E. Levi (2004). Identification of complex systems based on neural and Takagi-Sugeno fuzzy model. IEEE Trans. on Syst. Man, and Cyb.-Part B 34(1), 272–282.

Lughofer, E. and E.P. Klement (2005). FLEXFIS: A variant for incremental learning of Takagi-Sugeno fuzzy systems. In: FUZZ-IEEE 2005. Reno, USA. pp. 915–920.

Martínez, B.L., F. Herrera and J.A. Fernández (2006). Métodos de agrupamiento clásico para el modelado difuso en línea. In: FIE’06. Santiago de Cuba, Cuba.

Narendra, K. S. and K. Parthasarathy (1990). Identification and control of dynamical systems using neural networks. IEEE Trans. on Neural Netw. 1(1), 4–27.

Takagi, T. and M. Sugeno (1985). Fuzzy identification of systems and its applications to modelling and control. IEEE Trans. on Syst. Man, and Cyb. 15(1), 116–132.

Wang, L.X. (1997). Adaptive fuzzy systems and control. 2nd ed. Prentice Hall. Englewood Cliffs, USA.

Yu, W. and A. Ferreyra (2005). On-line clustering for nonlinear system identification using fuzzy neural networks. In: FUZZIEEE 2005. Reno, USA. pp. 678–683.

Ver más Ver menos