针对目前ON-OFF控制策略在PLZT驱动器光致应变位移的闭环伺服控制系统中的缺点,提出了一种基于T-S模糊模型的PLZT驱动器应变位移的动态模型及预测控制方法。首先,建立了PLZT驱动器光致应变位移的T-S模糊模型,该模型利用基于减法聚类的模...针对目前ON-OFF控制策略在PLZT驱动器光致应变位移的闭环伺服控制系统中的缺点,提出了一种基于T-S模糊模型的PLZT驱动器应变位移的动态模型及预测控制方法。首先,建立了PLZT驱动器光致应变位移的T-S模糊模型,该模型利用基于减法聚类的模糊C均值聚类算法进行前件辨识,并利用奇异值分解(singular value decomposition, SVD)算法进行后件辨识,所建立模型的有效性通过拟合度仿真加以验证。随后,在所建立的T-S模糊模型的基础上结合预测控制方法对PLZT驱动器的光致应变位移进行闭环控制,并对该算法进行仿真验证。仿真结果显示,在PLZT驱动器微位移的控制中,该文控制算法减小了基于ON-OFF控制策略下的抖振,且具有更好的控制效果。展开更多
文摘针对目前ON-OFF控制策略在PLZT驱动器光致应变位移的闭环伺服控制系统中的缺点,提出了一种基于T-S模糊模型的PLZT驱动器应变位移的动态模型及预测控制方法。首先,建立了PLZT驱动器光致应变位移的T-S模糊模型,该模型利用基于减法聚类的模糊C均值聚类算法进行前件辨识,并利用奇异值分解(singular value decomposition, SVD)算法进行后件辨识,所建立模型的有效性通过拟合度仿真加以验证。随后,在所建立的T-S模糊模型的基础上结合预测控制方法对PLZT驱动器的光致应变位移进行闭环控制,并对该算法进行仿真验证。仿真结果显示,在PLZT驱动器微位移的控制中,该文控制算法减小了基于ON-OFF控制策略下的抖振,且具有更好的控制效果。
文摘针对传统的入侵检测模型IDM(Intrusion Detection System)不能检测最新的入侵手段且系统的特征数据库需要频繁更新的问题,提出融合K-均值聚类、模糊神经网络和支持向量机等数据挖掘技术来构建IDM。首先,利用K-均值聚类将原始的训练集划分为不同的训练子集;然后,基于各训练子集训练各自的模糊神经网络模型,并通过模糊神经网络模型生成支持向量机的支持向量;最后,采用径向支持向量机检测入侵行为是否发生。在KDD CUP 1999数据集上的实验验证了所提模型的有效性及可靠性。实验结果表明,相比其他几种较为先进的检测方法,所提模型在入侵检测方面取得了更高的检测精度。
