基于最小二乘支持向量机方法的复杂人机系统操作员功能状态建模与预测

论文摘要

对人机系统操作员功能状态（Operator Functional States, OFS）进行准确评估的关键在于建立具有很强预测能力的数学模型。本文基于采集到的一系列操作员电生理信号及性能数据,采用最小二乘支持向量机（Least Squares Support Vector Machine, LS-SVM）方法对OFS建模。通过网格搜索（Grid Search）和10-折交叉验证（10-fold cross-validation）方法对模型参数进行优化,针对标准LS-SVM的不足,采用Suykens提出的LS-SVM的改进算法,建立了具有稀疏性和鲁棒性的LS-SVM模型,并将LS-SVM与基于遗传算法的模糊建模方法进行结果比较。结果表明,LS-SVM方法具有更好的泛化性能,将其用于OFS评估是有效的。根据模型预测结果,便可以调整控制策略,从而设计和实现智能化人机交互系统。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景和意义
• 1.1.1 课题研究的背景
• 1.1.2 课题研究的意义
• 1.2 课题研究现状
• 1.3 论文的主要工作和结构安排
• 第2章 统计学习理论与最小二乘支持向量机
• 2.1 机器学习
• 2.1.1 机器学习问题的表述
• 2.1.2 机器学习的经验风险最小化原则
• 2.2 统计学习理论
• 2.2.1 学习过程一致性的条件
• 2.2.2 VC维
• 2.2.3 推广性的界
• 2.2.4 结构风险最小化原则
• 2.3 最优超平面和支持向量机
• 2.3.1 最优超平面及其构造
• 2.3.2 支持向量机
• 2.4 支持向量回归机
• 2.4.1 ε不敏感损失函数
• 2.4.2 线性支持向量回归机
• 2.5 标准支持向量机的改进
• 2.6 最小二乘支持向量机（LS-SVM）
• 2.6.1 最小二乘支持向量机的特性
• 2.6.2 具有稀疏性的最小二乘支持向量机
• 2.6.3 具有鲁棒性的最小二乘支持向量机
• 2.6.4 最小二乘支持向量机建模的参数选择
• 2.6.4.1 交叉验证（CV）法
• 2.6.4.2 网格搜索法
• 2.7 本章小结
• 第3章 实验设计及数据处理
• 3.1 电生理信号简介
• 3.2 数据采集实验
• 3.3 数据处理
• 3.4 本章小结
• 第4章 LS-SVM的OFS建模与分析
• 4.1 LS-SVM的OFS建模
• 4.1.1 模型参数的选择
• 4.1.2 建模的具体步骤
• 4.1.3 仿真结果
• 4.1.4 讨论
• 4.2 LS-SVM与GA-Mamdani建模方法的结果比较与分析
• 4.3 基于稀疏LS-SVM的OFS建模
• 4.3.1 建模的具体步骤
• 4.3.2 仿真结果
• 4.3.3 讨论
• 4.4 基于WLS-SVM的OFS建模
• 4.4.1 建模的具体步骤
• 4.4.2 仿真结果
• 4.4.3 讨论
• 4.5 基于加权的稀疏LS-SVM的OFS建模
• 4.5.1 建模的具体步骤
• 4.5.2 建模结果
• 4.5.3 讨论
• 4.6 本章小结
• 第5章 结论与展望
• 5.1 结论
• 5.2 存在的问题与进一步的工作
• 参考文献
• 致谢
• 作者在攻读硕士学位期间发表的论文