TS-Toolbox
Matlab-Toolbox für die Systemidentifikation nichtlinearer Systeme mittels Takagi-Sugeno Fuzzy-Multi-Modelle
Verfügbar auf Github (Link), eine manuelle Freigabe für den Download ist notwendig.
Wenn Sie an de Toolbox interessiert sind, senden Sie eine E-Mail an axel.duerrbaum(at)mrt.uni-kassel.de!
Beschreibung
Nichtlineare Systemidentifikation und Regression
- für statische MISO-Modelle oder
- dynamische MISO-Modelle
Lokal affine Tagaki-Sugeno-Modelle (TS)
Überlagerung der c lokal affinen Teilmodelle ŷi(t) zu einem Gesamtmodell ŷ(t)
- mit den Eingangssignalen ui(t) und dem Ausgangssignal y(t)
- der Scheduling-Variablen z(u,y)
- der Zugehörigkeitsfunktionen µi(z)
- der Regressor-Variablen x(u,y)
- und den lokalen TS-Modellen ŷi(t)
- Datensatz { ui(t), y(t) }, ggf. Normierung und Split in Identifikations- und Validierungsdaten
- Ggf. Anpassung der Standard-Einstellungen der Hyperparameter
- Clusterung
- Multi-Start (Anzahl)
- NL-Optimierung (Abbruch-Kriterien)
- Vorgabe der Anzahl der lokalen Modelle c und des Unschärfeparameters
- Clustering zur Emittlung der Partitionierung bzw. Lage der Teilmodelle im Scheduling-Raum,
Multistartstrategie mit Auswahl des besten Ergebnisses auf Basis des Modellfehlers auf den Identtifikationsdaten - Initiale Schätzung der lokalen Modelle mittels Least-Squares-Verfahren (lokal oder global)
- Optionale Optimierung der Zugehörigkeitsfunktionen und/oder der lokalen Teilmodelle mittels nichtlinearer Optimierung der Simulation (Matlab-Funktion lsqnonlin )
- Unterschiedliche Wahl der Scheduling- und Regeressor-Variablen möglich
- Validierung auf neuen Daten
Eingangs- (u) oder Produktraum (u|y für statische TS-Modelle
Implementierte Algorithmen:
- Abstandsnormen: Euklid, Mahalanobis
- Fuzzy C-Means (FCM)
- Gustafson-Kessel (GK)
- Statisch
- NARX
- NOE
- MathWorks Matlab R2019 oder neuer
- Matlab Fuzzy Logic Tooolbox
- Matlab Optimization Toolbox