收藏本站
《西安理工大学》 2006年
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量机的非线性系统建模与控制

高异  
【摘要】:支持向量机(SVM)是九十年代中期发展起来的新的机器学习技术,SVM是以统计学习理论(SLT)为基础,SLT着重研究小样本条件下的统计规律和学习方法的,而传统统计学前提是有足够多样本,当样本数目有限时难以取得理想的效果。SVM较好的解决了小样本、非线性、局部极小值等实际问题。采用支持向量机回归进行非线性系统建模与控制的研究是最近两三年以来产生的智能控制的一个研究领域。这种建模与控制方法不仅模型简单,有完备的理论支持,更重要的是提供了一种实现复杂的非线性系统的建模与控制的新方法,拓宽了智能控制的研究领域。 本文首先系统地学习了支持向量机的基本理论和应用,分析比较了国际上近期出现的各种支持向量机优化算法,研究了支持向量回归进行非线性系统建模的方法。讨论了支持向量机核参数及惩罚因子等参数对回归估计性能的影响。为了能够自动获取最优的支持向量机参数,避免参数反复试凑的冗长过程,本文将模糊逻辑推理方法与遗传算法相结合,提出了基于模糊遗传算法的SVM参数选择方法,用模糊逻辑在线调整遗传算法的杂交概率p_c和变异概率p_m,提高了标准遗传算法的收敛速度和精度,为解决支持向量机参数选取问题提供了一条有效途径。并将该方法用于非线性系统辨识中,仿真结果验证了该方法的有效性。 其次研究了最小二乘支持向量机(LS-SVM)非线性系统建模原理,并和支持向量机回归进行了分析比较。为了能够自动获取最佳的LS-SVM参数,提出采用模糊遗传算法用于LS-SVM的参数选取。并将基于遗传优化的LS-SVM用于温度传感器非线性校正,实验结果表明在小样本情况下,该算法相对于小脑模型(CMAC)网络在铂热电阻温度传感器校正应用中有更高的精度,是一种非常有效的方法。 最后针对近几年来工业过程控制领域研究的热点问题——非线性系统预测控制,本文提出了一种基于最小二乘支持向量机的模型预测控制方法,该方法采用LS-SVM建立预测模型、模糊遗传
【学位授予单位】:西安理工大学
【学位级别】:硕士
【学位授予年份】:2006
【分类号】:TP18;TP13

【相似文献】
中国期刊全文数据库 前10条
1 余萍;;基于支持向量机发展的研究[J];新课程(教育学术);2011年05期
2 乔景慧;周晓杰;柴天佑;郑秀萍;;水泥熟料生产过程生料分解率软测量模型[J];控制工程;2011年04期
3 任新建;王学伟;杨立国;王琳;;数字I/O电路的多总线自动测试诊断方法研究[J];电测与仪表;2011年07期
4 谢春利;邵诚;赵丹丹;;一类非线性系统基于最小二乘支持向量机的自适应H_∞控制[J];控制理论与应用;2011年07期
5 王素云;崔丽威;宫雷;曹苏娜;;SVM方法在滚动轴承故障诊断中的应用[J];西安文理学院学报(自然科学版);2011年03期
6 李娜;刘明光;杨罡;;基于最小二乘支持向量机的直流牵引电机建模[J];系统仿真学报;2011年07期
7 陈磊;;遗传最小二乘支持向量机法预测时用水量[J];浙江大学学报(工学版);2011年06期
8 张昱;陈光黎;;基于最小二乘支持向量机的机器视觉识别方法[J];测控技术;2011年07期
9 邓森;杨军锋;杨朴;陈冰;;基于混沌粒子群优化LS-SVM的发动机磨损状态监测研究[J];计算机测量与控制;2011年08期
10 夏梁志;李华;;基于QPSO-LSSVM的醋酸乙烯聚合率软测量建模研究[J];自动化技术与应用;2011年08期
中国重要会议论文全文数据库 前10条
1 李亚芬;李莹;马宁圣;;精馏过程航煤干点的软测量实现[A];中国仪器仪表学会2005年学术年会测控技术与节能环保学术会议论文集[C];2005年
2 苏高利;秦钟;于强;;基于最小二乘支持向量机的农田水汽通量建模[A];首届长三角科技论坛——气象科技发展论坛论文集[C];2004年
3 孙岩;彭亦功;;基于支持向量机和粒子群优化算法的软测量建模[A];中国仪器仪表学会2008学术年会第二届智能检测控制技术及仪表装置发展研讨会论文集[C];2008年
4 牛超;李夕海;刘代志;;基于混沌理论和LS-SVM的地球变化磁场时间序列预测[A];国家安全地球物理丛书(五)——地球物理与海洋安全[C];2009年
5 宋普云;沈雪勤;吴清;;一种改进的SMO算法[A];第六届全国计算机应用联合学术会议论文集[C];2002年
6 张钹;张铃;;统计学习理论及其应用[A];2001年中国智能自动化会议论文集(上册)[C];2001年
7 张国宣;孔锐;施泽生;郭立;;一种新的基于聚类的SVM迭代算法[A];第二届全国信息获取与处理学术会议论文集[C];2004年
8 孙向东;黄日波;;运用SVMs原理预测蛋白质二级结构研究[A];广西微生物学会2003年学术年会论文集[C];2003年
9 刘斌;魏贤龙;李卓;;基于支持向量机的Widrow自适应滤波器[A];2006中国控制与决策学术年会论文集[C];2006年
10 戴林超;吴琳丽;赵海娜;李训铭;;基于最小二乘支持向量机的故障预测法[A];2009年中国智能自动化会议论文集(第六分册)[中南大学学报(增刊)][C];2009年
中国博士学位论文全文数据库 前10条
1 冯云龙;统计学习理论中基于核的算法研究[D];中国科学技术大学;2012年
2 郭新辰;最小二乘支持向量机算法及应用研究[D];吉林大学;2008年
3 陈爱军;最小二乘支持向量机及其在工业过程建模中的应用[D];浙江大学;2006年
4 郭晓刚;高面板坝趾板基础高压灌浆技术及其智能预测与控制研究[D];中国科学院研究生院(武汉岩土力学研究所);2008年
5 彭珍瑞;基于LS-SVM的气液两相流参数测量研究[D];浙江大学;2007年
6 邹敏;基于支持向量机的水电机组故障诊断研究[D];华中科技大学;2007年
7 蒲秀娟;胎儿心电信号提取研究[D];重庆大学;2009年
8 张茂雨;支持向量机方法在结构损伤识别中的应用[D];同济大学;2007年
9 何熠;基于支持向量机的非线性系统辨识建模与控制[D];天津大学;2007年
10 殷志伟;基于统计学习理论的分类方法研究[D];哈尔滨工程大学;2009年
中国硕士学位论文全文数据库 前10条
1 高异;基于支持向量机的非线性系统建模与控制[D];西安理工大学;2006年
2 孔波;基于边界向量样本的支持向量分类机[D];华中科技大学;2006年
3 李莹;精馏过程航煤干点的软测量工程实现[D];大连理工大学;2006年
4 滕文凯;支持向量机反问题及其解法[D];河北大学;2005年
5 杜晓东;基于支持向量机的数据挖掘方法[D];山东大学;2005年
6 王李东;基于支持向量机(SVM)的短期负荷预测的研究[D];华中科技大学;2005年
7 郭得令;基于LS-SVM的围岩位移非线性预测应用研究[D];武汉理工大学;2006年
8 詹超;支持向量机在基因表达数据分类中的研究[D];武汉理工大学;2006年
9 马洁;基于支持向量机的股市预测问题研究[D];天津大学;2006年
10 邓小文;基于SVM的柴油机机械故障诊断研究[D];厦门大学;2006年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026