支持向量机在先进控制中的应用研究

支持向量机在先进控制中的应用研究

论文摘要

本文主要研究支持向量机(Support Vector Machine,简称SVM)在先进控制中的若干应用。SVM是由Vapnik等人于上世纪末提出的一种全新的学习机器,它是统计学习理论(Statistical Learning Theory,简称SLT)的核心部分,建立在结构风险最小化原则基础上。SVM的基本思想就是通过非线性内积核函数将线性不可分的低维空间数据映射到一个线性可分的高维特征空间,在这个特征空间中进行分类或回归拟合。SVM最终归结为一个凸优化问题,它的解是在其对偶空间求取的,是全局最优的。SVM在解决小样本、非线性系统辨识与控制中表现出了许多特有的优势。本文对SVM进行了基本的概述,研究了其在先进控制领域中的若干应用。 本文的主要贡献如下: 1.介绍了统计学习理论研究的基本问题,回顾了SVM的基本概念和数学表达。主要从SVM的算法,SVM在系统辨识与控制中的应用方面对国内外研究现状进行了分析和阐述: 2.针对传统的基于脉冲响应和阶跃响应实验的非参数模型辨识问题,提出了基于线性核函数SVM的非参数模型辨识方法。这种方法不需要专门的脉冲或阶跃测试,只需根据生产数据或随机的测试数据就可以高精度地黑箱辨识得到系统的脉冲响应系数和阶跃响应系数。在此基础上提出了基于线性核函数SVM的模型算法控制(SVM MAC)和动态矩阵控制(SVM DMC)技术,通过预测控制的机理,最小化滚动时域下的二次型目标函数,得到控制律的解析表达式; 3.针对输入输出型弱非线性系统,提出了基于线性核函数SVM的单步和多步模型预测控制的结构和算法。在利用线性核函数SVM进行系统辨识的基础上建

论文目录

  • 摘要
  • Abstract
  • 致谢
  • 目录
  • 第一章 绪论
  • 1.1 统计学习理论概述
  • 1.1.1 统计学习理论的历史回顾
  • 1.1.2 统计学习理论的基本概念和核心内容
  • 1.2 支持向量机概述
  • 1.2.1 最优分类超平面与支持向量机分类
  • 1.2.2 支持向量机函数拟合
  • 1.3 研究现状
  • 1.3.1 支持向量机训练算法的研究现状
  • 1.3.2 支持向量机在控制领域中的应用研究现状
  • 1.3.2.1 支持向量机在系统辨识与建模中的应用研究现状
  • 1.3.2.2 支持向量机在预测控制中的应用研究现状
  • 1.3.2.3 支持向量机在软测量中的应用研究现状
  • 1.4 本文主要内容
  • 第二章 基于线性核函数SVM的非参数模型辨识及其预测控制
  • 2.1 引言
  • 2.2 数学基础
  • 2.2.1 脉冲响应特性
  • 2.2.2 阶跃响应特性
  • 2.2.3 ARMA模型描述
  • 2.2.4 CARIMA模型描述
  • 2.2.5 NARMAX模型描述
  • 2.3 基于线性核函数SVM的非参数模型辨识及其控制
  • 2.3.1 基于SVM的脉冲响应模型及SVM MAC
  • 2.3.1.1 基于SVM的脉冲响应模型
  • 2.3.1.2 单步SVM MAC
  • 2.3.1.3 多步SVM MAC
  • 2.3.1.4 仿真
  • 2.3.2 基于SVM的阶跃响应模型及SVM DMC
  • 2.3.2.1 基于SVM的阶跃响应模型
  • 2.3.2.2 单步SVM DMC
  • 2.3.2.3 多步SVM DMC
  • 2.3.2.4 仿真
  • 2.4 讨论
  • 第三章 弱非线性系统基于线性核函数SVM的模型预测控制
  • 3.1 引言
  • 3.2 基于线性核函数SVM的单步预测控制结构与算法
  • 3.2.1 单步预测控制结构
  • 3.2.2 预测控制算法
  • 3.2.3 仿真
  • 3.3 基于线性核函数SVM的多步预测控制结构与算法
  • 3.3.1 多步预测控制结构
  • 3.3.2 预测控制算法
  • 3.3.3 仿真
  • 3.4 讨论
  • 第四章 基于2次多项式核函数SVM的非线性模型预测控制
  • 4.1 引言
  • 4.2 基于2次核函数SVM的单步预测控制结构与算法
  • 4.2.1 单步预测控制结构
  • 4.2.2 预测控制算法
  • 4.2.3 仿真
  • 4.3 基于2次核函数SVM的多步预测控制结构与算法
  • 4.3.1 P=M时的非线性预测控制
  • 4.3.1.1 P=M时的非线性预测控制结构
  • 4.3.1.2 P=M时的非线性预测控制算法
  • 4.3.2 P>M时的非线性预测控制
  • 4.3.2.1 P>M时的非线性预测控制结构
  • 4.3.2.2 P>M时的非线性预测控制算法
  • 4.3.3 仿真
  • 4.3.3.1 例子1
  • 4.3.3.2 例子2
  • 4.4 讨论
  • 第五章 基于SVM的直接逆模型辨识与内模控制
  • 5.1 引言
  • 5.2 系统的可逆性
  • 5.3 基于SVM的直接逆模型辨识
  • 5.3.1 基于SVM的直接逆模型辨识结构
  • 5.3.2 仿真
  • 5.3.2.1 线性系统
  • 5.3.2.2 非线性系统
  • 5.3.2.3 性能比较
  • 5.4 基于SVM的非线性内模控制
  • 5.4.1 逆模型和内部模型的建立
  • 5.4.2 基于SVM的内模控制
  • 5.4.3 仿真
  • 5.5 讨论
  • 第六章 SVM在微生物发酵过程软测量中的应用
  • 6.1 引言
  • 6.2 生物发酵过程参数概述
  • 6.3 基于SVM的软测量技术
  • 6.3.1 菌丝浓度黑箱建模
  • 6.3.2 仿真
  • 6.4 讨论
  • 第七章 总结与展望
  • 参考文献
  • 附录
  • 相关论文文献

    • [1].支持向量机训练算法概述[J]. 科技信息(科学教研) 2008(09)
    • [2].支持向量机多类分类方法研究[J]. 河南教育学院学报(自然科学版) 2010(02)
    • [3].支持向量机技术及应用[J]. 科技信息 2008(27)
    • [4].支持向量机的训练算法综述[J]. 智能系统学报 2008(06)
    • [5].支持向量机理论研究[J]. 信息技术 2013(09)
    • [6].支持向量机的研究与应用[J]. 运城学院学报 2012(02)
    • [7].基于支持向量机的水资源安全评价[J]. 自然灾害学报 2011(06)
    • [8].一种改进的基于支持向量机的概率密度估计方法[J]. 潍坊学院学报 2011(06)
    • [9].基于支持向量机的需水预测研究[J]. 太原理工大学学报 2008(03)
    • [10].支持向量机及其应用研究[J]. 科技信息 2009(29)
    • [11].在线学习算法的一致性分析[J]. 科协论坛(下半月) 2013(01)
    • [12].基于FCM隶属度的支持向量机[J]. 微电子学与计算机 2011(10)
    • [13].改进的支持向量机算法及应用综述[J]. 黑龙江科技信息 2016(10)
    • [14].支持向量机及其训练算法[J]. 韶关学院学报 2008(03)
    • [15].基于SVM的尿液粒子识别算法研究[J]. 中国医疗器械杂志 2008(06)
    • [16].基于支持向量机的几种核函数遥感图像分类比较[J]. 科技视界 2015(04)
    • [17].基于支持向量机的飞行控制系统辨识[J]. 飞行力学 2010(06)
    • [18].基于SVM的轮胎胎面生产过程专家故障诊断[J]. 中国水运(下半月) 2008(03)
    • [19].一种改进的模糊多类支持向量机算法[J]. 计算机测量与控制 2011(04)
    • [20].k-部排序学习算法的可学习性分析[J]. 西南大学学报(自然科学版) 2016(03)
    • [21].基于统计学习理论财务模型构建研究[J]. 现代商业 2014(27)
    • [22].基于Fisher距离的新型脑机接口分类器[J]. 大连交通大学学报 2010(01)
    • [23].多类别模糊补偿支持向量机新模型研究[J]. 计算机科学与探索 2009(03)
    • [24].支持向量机在武器系统效能评估中的应用[J]. 系统仿真学报 2008(24)
    • [25].基于支持向量机的中长期电力负荷预测研究与应用[J]. 上海理工大学学报 2008(02)
    • [26].蒸发蒸腾量支持向量机预测[J]. 太原理工大学学报 2011(02)
    • [27].城市交通流量短时预测的支持向量机方法[J]. 黑龙江交通科技 2011(10)
    • [28].支持向量机理论及算法研究综述[J]. 计算机应用研究 2014(05)
    • [29].支持向量机理论与算法研究综述[J]. 电子科技大学学报 2011(01)
    • [30].随机学习规则下的可学习性和LOO稳定性分析(英文)[J]. 苏州大学学报(自然科学版) 2012(04)

    标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

    支持向量机在先进控制中的应用研究
    下载Doc文档

    猜你喜欢