基于逼近基元的智能非线性系统模型研究

【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。