支持向量机在先进控制中的应用研究
【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
|
|
|
|
| 1 |
李超峰;卢建刚;孙优贤;;基于SVM逆系统的非线性系统广义预测控制[J];计算机工程与应用;2011年02期 |
| 2 |
苑敏;杨奎河;;基于支持向量机理论的多类分类算法[J];福建电脑;2007年02期 |
| 3 |
张汝雷;王保民;苏欣平;傅钰;;支持向量机(SVM)在机械故障诊断中的应用研究[J];军事交通学院学报;2009年03期 |
| 4 |
姚程宽;;SVM在不平衡样本集中的应用研究[J];计算机与数字工程;2007年10期 |
| 5 |
范秋凤;陈彦涛;;支持向量机及其应用研究[J];科技信息;2009年29期 |
| 6 |
谢长菊;;支持向量机新模型及其参数特性研究[J];计算机仿真;2010年04期 |
| 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[J];仪器仪表学报;2004年S1期 |
| 8 |
李卓,刘斌,刘铁男,朱秀华,魏坤;支持向量机及其在油田生产中的应用[J];大庆石油学院学报;2005年03期 |
| 9 |
李毅;徐守时;;基于支持向量机的遥感图像舰船目标识别方法[J];计算机仿真;2006年06期 |
| 10 |
胡国胜;支持向量机算法及应用[J];现代电子技术;2005年03期 |
| 11 |
徐余法;徐余法;俞金寿;;基于神经网络的非线性预测控制[J];电气自动化;2005年05期 |
| 12 |
邓蕊;马永军;刘尧猛;;基于改进交叉验证算法的支持向量机多类识别[J];天津科技大学学报;2007年02期 |
| 13 |
王书舟;伞冶;;支持向量机的训练算法综述[J];智能系统学报;2008年06期 |
| 14 |
姬水旺,姬旺田;支持向量机训练算法综述[J];微机发展;2004年01期 |
| 15 |
王远景;萧蕴诗;;应用于火电厂主蒸汽温度预测控制的PSVM算法研究[J];计算技术与自动化;2006年04期 |
| 16 |
林长方;;支持向量机及其应用研究[J];和田师范专科学校学报;2010年05期 |
| 17 |
范燕,吴小俊,惠长坤,刘同明;人脸图象特征抽取和识别的一种混合方法研究[J];华东船舶工业学院学报(自然科学版);2003年02期 |
| 18 |
孔波;郑喜英;;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年02期 |
| 19 |
陈增强,袁著祉,车海平,贺江峰;基于神经元网络的非线性系统间接自校正预测控制器[J];南开大学学报(自然科学版);1999年03期 |
| 20 |
李辉,管晓宏,昝鑫,韩崇昭;基于支持向量机的网络入侵检测[J];计算机研究与发展;2003年06期 |
|
手机打开
快捷付款方式
订购知网充值卡
订购热线
帮助中心