增量型支持向量机回归训练算法及在控制中的应用

论文摘要

本论文主要研究了支持向量机(Support Vector Machine,简称SVM)增量型训练算法及其在控制领域中的应用。支持向量机(Support Vector Machines,简称SVM)是由Vapnik等人于上世纪末提出的一种崭新的学习机器,它是统计学习理论的核心部分,是处理小样本学习的有效工具。支持向量机作为统计学习理论的实现方法,有效克服了神经网络方法收敛慢、解不稳定、推广性差的缺点,近年来受到了很大重视,在模式识别、信号处理、控制、通讯等方面得到了广泛应用,也成为了机器学习领域理论研究的新热点。目前已有一些成熟的支持向量机训练算法得到广泛的应用,比如chunking算法、分解算法,以及最著名的SMO算法等。然而这些算法无一例外都是只能够离线应用的训练算法,对支持向量机在线训练算法的研究还很少,因此本文在已有成果的基础之上,重点地研究了增量型的支持向量机训练算法。增量型的支持向量机训练算法的一个重要特点是可以用于实时在线训练支持向量机的模型,这将大大扩展支持向量机的应用范围。论文主要内容如下: 首先针对常规增量型的支持向量机训练算法存在的问题(比如边缘支持向量集合为空时算法无效、算法训练速度慢等)进行了深入的分析,得到有效的改进方法,大大提高了算法的建模性能和实用性。通过仿真实验验证了改进的增量型支持向量机训练算法的有效性。其次本文把增量型的支持向量机训练算法应用到控制领域中来,结合经典的控制算法(比如直接逆控制、内模控制、预测控制等),构造出一些有效的在线控制算法。通过仿真实验验证了这些基于增量型支持向量机回归训练算法的

论文目录

摘要

Abstract

致谢

第一章绪论

1.1 统计学习理论概述

1.1.1 统计学习理论的发展历史

1.1.2 统计学习理论的主要内容

1.2 支持向量机概述

1.2.1 支持向量机概述

1.2.2 支持向量机的原理

1.3 支持向量机训练算法介绍

1.3.1 SVM几何训练算法

1.3.2 SVM代数训练算法

1.3.3 其它SVM训练算法

1.4 支持向量机的应用

1.5 本文主要内容

第二章改进的增量型支持向量机回归训练算法II-SVM-RTA

2.1 引言

2.2 当前增量型支持向量机训练算法的主要问题

2.3 增量型支持向量机回归训练基本算法

2.3.1 支持向量回归和 KKT条件

2.3.2 添加新样本的递增算法

2.3.3 删除冗余样本的递减算法

2.4 基本算法的改进处理

2.4.1 当边缘支持向量集合为空集时的算法

2.4.2 核函数缓存算法

2.5 改进的增量型SVM训练算法II-SVM-RTA

2.5.1 递增算法

2.5.2 删除冗余样本的算法

2.6 基于增量型SVM训练算法的在线系统辨识

2.7 结论

第三章基于II-SVM-RTA的自适应逆模型控制

3.1 引言

3.2 直接逆模型控制原理简介

3.3 基于II-SVM-RTA的自适应逆模型控制

3.4 仿真与对比

3.5 结论

第四章基于II-SVM-RTA的内部模型控制

4.1 引言

4.2 内模控制原理简介

4.2.1 基本结构与应用

4.2.2 内模控制的建模方法

4.2.3 内模控制的研究内容及存在的问题

4.3 基于II-SVM-RTA的内部模型控制

4.3.1 构造内部模型

4.3.2 设计逆模型控制器

4.3.3 内模控制算法

4.4 仿真试验

4.5 结论

第五章基于II-SVM-RTA的预测控制

5.1 引言

5.2 模型预测控制原理简介

5.2.1 基本原理

5.2.2 模型预测控制的发展现状

5.2.3 模型预测控制存在问题及发展方向

5.3 基于II-SVM-RTA的预测控制

5.3.1 非线性预测控制模型

5.3.2 参考轨迹和反馈校正

5.3.3 优化目标函数和优化控制策略

5.3.4 基于II-SVM-RTA的自适应非线性模型预测控制算法

5.4 仿真试验

5.5 结论

第六章基于加权回归模型的增量型支持向量机在线回归训练算法

6.1 引言

6.2 基于加权回归模型的增量型支持向量机在线回归训练算法WI-SVM-RTA

6.2.1 支持向量机的加权回归模型

6.2.2 删除冗余样本的新算法

6.2.3 基于核函数缓存的WI-SVM-RTA

6.3 基于WI-SVM-RTA的系统辨识与仿真对比

6.3.1 基于WI-SVM-RTA的系统辨识

6.3.2 仿真实验

6.3.3 与标准增量型训练算法的比较

6.4 结论

第七章总结与展望

参考文献

附录

增量型支持向量机回归训练算法及在控制中的应用

论文摘要

论文目录

相关论文文献

猜你喜欢