支持向量機(jī)逆系統(tǒng)廣義預(yù)測(cè)控制算法的研究.pdf

1、目前,在非線性系統(tǒng)的一般形式上,逆系統(tǒng)方法已經(jīng)建立起了近乎完整的理論體系。該方法卻要求能夠獲得非線性系統(tǒng)精確的數(shù)學(xué)模型,但是實(shí)際工程應(yīng)用中的非線性關(guān)系往往難以準(zhǔn)確描述。非線性過(guò)程的復(fù)雜數(shù)學(xué)模型即使建立起來(lái)了,又很難求出其逆模型的解析解。
　　從統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展而來(lái)的支持向量機(jī)(Support Vector Machine,SVM)有兩個(gè)重要的優(yōu)點(diǎn):泛化能力好和結(jié)構(gòu)簡(jiǎn)單。它能夠精確擬合函數(shù)的特性使得非線性系統(tǒng)難以建模的問(wèn)題變得簡(jiǎn)單。

2、SVM的原理是:轉(zhuǎn)化難解的非線性問(wèn)題到一個(gè)高維特征空間中,變成那個(gè)空間的一個(gè)凸優(yōu)化問(wèn)題來(lái)求解,得到的即是全局最優(yōu)解。
　　但是當(dāng)訓(xùn)練樣本較多時(shí),SVM便面臨維數(shù)災(zāi)難,導(dǎo)致無(wú)法有效訓(xùn)練。最小二乘支持向量機(jī)(LeastSquaresSupportVectorMachines,LS-SVM)克服了經(jīng)典二次規(guī)劃方法求解支持向量機(jī)的維數(shù)災(zāi)難問(wèn)題。它具有良好的魯棒性,運(yùn)算簡(jiǎn)單,收斂速度快,因此在非線性控制方面更具有優(yōu)勢(shì)。
　　因此,本文

3、把LS-SVM優(yōu)異的辨識(shí)能力與逆系統(tǒng)方法的線性化特性相結(jié)合。首先用LS-SVM辨識(shí)逆系統(tǒng),并將該逆模型與原系統(tǒng)串聯(lián),對(duì)組成的偽線性系統(tǒng)進(jìn)行控制。接著介紹了基于LS-SVM的a階逆系統(tǒng)方法及其在單輸入單輸出(single-input single-output,SISO)非線性系統(tǒng)的應(yīng)用,并將其應(yīng)用從非線性系統(tǒng)的SISO形式推廣到多輸入多輸出(Multi-input Multi-output,MIMO)形式。最后用仿真實(shí)例驗(yàn)證了LS-SV

4、M的辨識(shí)能力及所構(gòu)成的開(kāi)環(huán)系統(tǒng)的魯棒性,為該方法的進(jìn)一步研究和推廣奠定了理論基礎(chǔ)。
　　為了降低逆系統(tǒng)方法的建模誤差、提高其抗干擾能力及模型失配的魯棒性,在逆系統(tǒng)方法中融入廣義預(yù)測(cè)控制,提出了基于LS-SVM的a階逆系統(tǒng)方法的廣義預(yù)測(cè)控制算法,對(duì)該復(fù)合系統(tǒng)組成的閉環(huán)系統(tǒng)進(jìn)行優(yōu)化控制。仿真結(jié)果證明了該改進(jìn)方法不依賴(lài)受控對(duì)象的數(shù)學(xué)模型,很好地抑制了系統(tǒng)擾動(dòng),迅速消除了系統(tǒng)不確定性產(chǎn)生的影響,解決了多變量非線性系統(tǒng)的強(qiáng)耦合問(wèn)題,改進(jìn)了非