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

Boris Martínez, Francisco Herrera, Jesús Fernández, Erick Marichal

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

Texto completo:

PDF

Referencias

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.

Abstract Views

357
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912