本课题受国家自然科学基金项目资助,项目批准号60874084。本文主要研究对象是基于T-S模型的辨识方法。近年来,T-S模型因其在利用观测数据建立非线性系统模型上的良好效果而受到了广泛关注。通常,建立T-S模型包括输入变量选择、隶属函数选择以及参数优化三个方面。当模型的输入变量以及隶属函数确定后,T-S模型建模就转变为一个多维非线性参数优化问题。这也是目前许多T-S模型辨识方法所致力于解决的问题。传统的T-S模型辨识方法,如模糊C均值聚类(FCM)算法与最小二乘法结合的辨识方法,常导致无法找到最优解,因为其仅基于一组前件参数得到最优的后件参数。这种方法通常会在复杂多维的参数空间内陷入局部极值点。为了解决这个问题,本文设计了一种混和辨识算法(HIA),通过将和声搜索算法(HS)、FCM算法与最小二乘法有机结合,实现前件参数和后件参数的同时优化。HIA将待优化参数空间分为前件参数子空间与后件参数子空间两个部分,并在不同的子空间采用不同的优化方法:在前件参数子空间中采用和声搜索算法进行优化,而在后件参数子空间中采用最小二乘法进行优化。和声搜索算法作为一种后启发式的随机优化算法,其引入使得HIA不依赖于待优化函数的梯度信息以及初始点的选择,并确保了整个优化过程向着全局最优点的方向收敛。同时,HIA中通过误差反馈建立两个优化过程之间的内在联系,使得算法的搜索效率及辨识精度都得到很大的提高。本文采用三个例子对HIA的性能进行仿真验证,然后将HIA应用到了光纤陀螺稳定平台的建模过程中。辨识结果显示,相对于传统的辨识方法,本文所提出的辨识方法能够有效避免寻优过程陷入局部极值点,并且能够获得更高的辨识精度。