基于逼近基元的智能非线性系统模型研究

论文摘要

基于输入—输出数据的非线性系统建模方法是目前系统建模方法研究的热点,涉及到回归分析方法、神经网络、人工智能、模式识别、机器学习等多方面的理论和方法。支持向量机(Support Vector Machine,SVM)是在统计学习理论上发展的一种新的机器学习方法,由于其出色的学习性能,该技术己成为当前国际机器学习界的研究热点。支持向量机是以结构风险最小化原则为基础的,这就使得支持向量机具有更好的泛化能力,全局最优及收敛速度快等显著特点。由于其完备的理论基础和坚实的实验结果,SVM己经日渐引起研究人员的重视,它主要应用于分类和回归问题中。本文从支持向量回归理论入手,研究建模预测方法。本文提出了一种基于逼近基元的智能非线性系统模型,它不需要了解非线性系统的机理,只通过研究对象的各种外部表现数据即可对非线性系统进行建模。智能非线性系统模型研究从观测数据出发寻找规律,利用这些规律对未来数据或无法观测的数据进行预测建模。由于现实世界中存在着大量对其内在机理不明的对象,因此这种基于数据的建模方法具有普适性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的背景
• 1.2 系统建模方法的研究现状
• 1.3 智能非线性系统建模的基本思想
• 1.4 论文的主要工作及结构安排
• 第二章 支持向量回归与核方法
• 2.1 支持向量机
• 2.1.1 支持向量分类机
• 2.1.2 标准支持向量机回归算法
• 2.2 核方法
• 2.2.1 核函数
• 2.2.2 核的性质
• 2.2.3 核的分类
• 2.2.4 核函数方法的特点
• 2.2.5 核函数方法实施步骤
• 2.3 核方法与支持向量回归
• 第三章 智能非线性系统模型
• 3.1 模型表述
• 3.1.1 I 型模型
• 3.1.2 II 型模型
• 3.2 逼近基元/逼近基元函数
• 3.3 模型逼近特性
• 3.4 智能非线性系统建模
• 3.4.1 模型转换
• 3.4.2 实验建模/辨识建模
• 3.5 建模仿真
• 3.5.1 Box-Jenkins 煤气炉数据
• 3.5.2 太阳黑子序列
• 第四章 总结与展望
• 4.1 论文总结
• 4.2 下一步工作的展望
• 参考文献
• 致谢
• 附录 攻读硕士学位期间发表的论文