从数据中直接提取模糊规则,建立基于获取的模糊规则知识库构成的模糊系统,是一种直接而有效的系统辨识方式。T-S(Takagi-Sugeno)模糊系统是一种将输入空间分为多个模糊子空间分别建立局部线性模型,用隶属函数连接每个局部模型形成的全局半线性模糊系统模型。自提出以来被广泛用于各种工业领域。基于模糊聚类的前件最优模糊划分是构建T-S模糊系统的常用方法。而模糊聚类模型主要有两个问题:抗噪性差以及对初始条件敏感,容易导致聚类目标函数陷入局部最小值,从而影响系统辨识精度。因此需要有效的优化策略来改善模糊规则提取过程的准确度和效率。差分进化算法(Differential Evolution Algorithm,DE)是一种基于群体的自适应全局优化的进化计算方法,具有全局搜索能力强、鲁棒性好、速度快的特点。本文提出了两种基于DE算法的改进算法来改善模糊规则获取过程,优化基于模糊聚类的T-S模糊系统辨识模型。基于initDE-NFCRM算法的模糊系统辨识模型。通过分析基于模糊聚类的T-S模型及其改进方法,粒子群优化算法(Particle Swarm Optimization,PSO)被广泛引入模糊系统辨识领域来解决模糊聚类对初始条件敏感的问题,然而PSO容易陷入局部最优,而且在处理噪声数据时会对系统造成较大影响。而DE算法具有的强大全局搜索能力和鲁棒性可以对模糊聚类进行初始条件优化,降低噪声数据影响,为聚类算法寻找一个较好的启动位置,从而保证模糊划分的准确度。故本文提出用DE作为预启动方法优化基于模糊聚类的T-S模糊系统辨识模型,提出了具体的initDE-NFCRM辨识算法模型。基于SubReDE(Sub-population and Replacement Differential Evolution)算法的模糊系统辨识模型。通过对基于模糊聚类的T-S模型更进一步分析发现,模糊聚类辨识方法将前件辨识和后件辨识分成两个独立的过程,同时必须预先设定规则数量,无法满足系统整体性和自适应性的要求,极有可能影响最终辨识精度。事实上,模糊系统辨识等同于一个多维空间最优化问题,空间上的每一个点相当于一个拥有对应结构和参数的模糊模型。因此,可以直接用DE算法辨识T-S模糊系统,将规则数量、隶属度和后件参数共同编码成一个粒子,在种群中一起演化。同时反向思考,传统DE算法在处理复杂高维度优化问题时,容易出现过早收敛的问题。故提出了SubReDE算法。该算法设计了两个可选的外部子种群和一个新的个体替换策略来提高种群多样性,避免陷入局部极值。考虑到模糊系统的通用性,采用三种不同类型(多属性,函数,时序)数据测试本文提出的基于DE的T-S模糊系统辨识算法的有效性。实验证明该算法提高了系统辨识精度,并具有较高的运行效率。