1.一种新型T-S模糊模型辨识方法，其特征在于，包括如下步骤：步骤(1)：构建模糊模型输入输出样本集；采集实际系统的动态过程数据(xk,yk)，xk为k时刻系统的输入信号，yk为k时刻的系统的输出信号，k＝1，..，n，n为动态过程最大采样点数，选取系统当前时刻的输入以及过去时刻的输入和输出信号构建模糊模型输入xk＝[x(k),x(k-1),...,x(k-na),y(k-1),y(k-2),...,y(k-nb)]，以当前时刻的输出信号为模糊模型输出，构建模糊模型样本集(xk,yk)；

步骤(2)：T-S模糊模型的前件参数辨识，结合模糊C回归聚类算法和最小二乘支持向量机设计一种新型模糊聚类算法对模糊模型输入数据构成的模糊空间进行合理划分，获得每个子模型合适的隶属度函数中心 和宽度步骤(3)：建立T-S模糊模型前件结构参数优化目标函数；以前件结构参数为优化变量，采用训练样本实际输出与模糊模型输出之间的均方差来衡量模型精度；

步骤(4)：T-S模糊模型前件结构参数优化；利用改进启发式优化算法进行进一步优化，获得模糊模型的最优前件结构参数；

步骤(5)：T-S模糊模型后件参数辨识；基于步骤(4)获得的最优前件结构参数，运用最小二乘法求解步骤(3)中的目标函数，得到模糊模型的后件参数θ。

2.根据权利要求1所述的新型T-S模糊模型辨识方法，其特征在于，所述步骤(3)中的目标函数为：其中， 为模糊模型预测输出；模糊模型输出矩阵型式为y＝A·θ，式中，和y＝[y1,y2,...,yL]T分别为模型参数和系统实际输出数据，A为系数矩阵，具体定义如下：

式中， 为隶属度归一化。

3.根据权利要求1所述的新型T-S模糊模型辨识方法，其特征在于，所述步骤(2)的新型模糊聚类算法具体包括如下子步骤：Step2.1：设定聚类个数c，给定模糊权重指数m值，初始化隶属度uik，设置聚类算法停止迭代阈值ε＞0，并令迭代次数t＝0；

Step2.2：计算核函数Ki(xk,xj)和核矩阵Ωi,i＝1,..,c；

Step2.3：计算最小二乘支持向量机回归模型参数bi和λi；

Step2.4：计算最小二乘支持向量机回归模型输出以及数据样本k距离第i个回归模型的距离；

Step2.5：更新模糊隶属度；

Step2.6：检查停止阈值是否满足，计算前后两次模糊隶属度矩阵的偏差，如果|Ut-Ut-1|＜ε，迭代停止，uik为聚类结果参数，否则令t＝t+1，转至Step2.2。

4.根据权利要求2所述的新型T-S模糊模型辨识方法，其特征在于，所述步骤(4)的基于改进启发式优化算法模糊模型前件结构参数优化具体包括如下子步骤：Step4.1：算法初始化：设置算法参数，包括群体规模N、总迭代数T；确定优化变量为模糊模型前件结构参数，即隶属度函数中心 和宽度 组成优化变量Xk＝[v11,...,v1M,σ11,...,σ1M,...,vc1,...,vcM,σc1,...,σcM],k＝1,..,N，优化变量的取值范围为[-5Xinit,

5Xinit]，其中Xinit为运用模糊C回归聚类算法-最小二乘支持向量机获得的初始前件参数；在解空间[-5Xinit,5Xinit]中随机初始化群体中所有个体的位置向量，令当前迭代次数t＝0；

Step 4.2：计算目标函数值：OM＝FitnessFunction(X)，具有最小目标函数值的个体确定为当前最优个体Xrabbit；

Step 4.3：如果t＝1，OF＝sort(OM)，F＝sort(M)；否则，OF＝sort(OMt-1，OMt)，F＝sort(Mt-1，Mt)；

Step 4.4：对所有个体Xi,i＝1,...N，进行位置更新：Step 4.5：t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解，当前最优个体位置即为最优模糊模型前件结构参数，隶属度函数中心 和宽度 否则，转入Step 

4.2。

5.根据权利要求4所述的新型T-S模糊模型辨识方法，其特征在于，所述Step 4.4多个体进行位置更新的步骤包括：Step 4.4.1：更新初始能量E0＝2*rand-1；

Step 4.4.2：更新个体能量

Step 4.4.3：如果|E|≥1：

XMFO(t+1)＝|F(t)-X(t)|·ebt·cos(2πβ)+F(t)其中，X(t)为当前迭代的个体位置向量，X(t+1)为更新后的个体位置向量，Xrand(t)为当前种群中的随机向量，Xm(t)为当前种群的平均位置向量，r1,r2,r3,r4和q为[0,1]之间的随机数；

Step 4.4.4：如果|E|＜1：

如果r≥0.5且|E|≥0.5：

如果r≥0.5且|E|＜0.5：

X(t+1)＝Xrabbit(t)-E|ΔX(t)|如果r＜0.5且|E|＜0.5：

如果r＜0.5且|E|＜0.5：

其中：