本文研究模糊系统辨识过程中的参数辨识问题,所使用的方法是Tikhonov正则化方法。系统参数辨识通常仅考虑输出端含有噪声,而忽略了输入端仍会存有扰动的情况。针对辨识中可能含有的各种噪声,本文不仅分析了常见的输出端存在误差的情况,而且也给出了输入输出端同时具有噪声的不适定问题的解法。本文的主要工作如下:1.当只有输出端存有噪声,本文主要利用具有正则矩阵的Bayes正则化来解决该类不适定问题。许多数学模型都是不适定的反问题。Tikhonov正则化是解决不适定问题的重要方法。而由Tikhonov正则化发展而来的Bayes正则化,能够较好地处理不适定性,同时能够获得正则参数,又因为正则矩阵的存在,进一步提高不适定问题解的精确度。2.当系统输入端和输出端同时包含噪声,本文主要采用Tikhonov正则化的整体最小二乘法来解决不适定问题。整体最小二乘法能够很好地解决两端都具有扰动的不适定问题,通过Tikhonov正则化项的修正,能获得较好地结果。而正则参数的确定,则提出一种基于蛙跳算法的选取方法。3.结合有正则矩阵的Bayes正则化方法与Tikhonov正则化的整体最小二乘法,本文解决了T-S模糊系统的后件参数辨识问题,起到了较好的去噪效果。仿真实例表明本文应用的方法具有可行性与有效性。主要的创新点是:1.利用蛙跳算法来计算整体最小二乘算法中正则化参数的最优值。通过蛙跳算法与整体最小二乘算法相结合,得到了求解参数的稳定性较好的算法。2.讨论了正则矩阵的重要性,得出了含有正则矩阵的基于Bayes理论框架的正则化算法。所提算法的优越性:在参数辨识过程中,通过将含有正则矩阵的Bayes正则化与卡尔曼滤波、最小二乘比较,将整体最小二乘法与奇异值分解、递归最小二乘对比,可以看出本文两种方法的稳定性较优,且求出解的精度都较好。