基于支持向量機(jī)的非線性系統(tǒng)內(nèi)?？刂?pdf

1、統(tǒng)計學(xué)習(xí)理論是以結(jié)構(gòu)風(fēng)險最小化原則和VC維為基礎(chǔ)的一種專門針對小樣本機(jī)器學(xué)習(xí)的統(tǒng)計推理體系，支持向量機(jī)是基于該理論的一種有效通用學(xué)習(xí)機(jī)，它借助于最優(yōu)化方法將模式識別、分類和回歸等問題轉(zhuǎn)化為一個凸二次優(yōu)化問題，在一定程度上克服了以往神經(jīng)網(wǎng)絡(luò)算法中存在的“維數(shù)災(zāi)難”和“過學(xué)習(xí)”等困難，具有強(qiáng)的泛化能力。目前，統(tǒng)計學(xué)習(xí)理論和支持向量機(jī)己成為機(jī)器學(xué)習(xí)領(lǐng)域中一個新的研究熱點(diǎn)。
　　 本文在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上研究了支持向量機(jī)，并基于支持向

2、量機(jī)的回歸理論，給出了一種基于支持向量回歸機(jī)的非線性系統(tǒng)辨識方法。通過仿真研究比較了ε-SVM、LS-SVM以及RBF三種辨識方法，結(jié)果表明ε-SVM能夠利用給定系統(tǒng)的輸入輸出數(shù)據(jù)很好的逼近非線性系統(tǒng)，并且同LS-SVM及RBF神經(jīng)網(wǎng)絡(luò)的辨識效果相比，其泛化性能更勝一籌，從而證明了將支持向量機(jī)用于非線性系統(tǒng)內(nèi)模控制的可行性。
　　 論文基于傳統(tǒng)內(nèi)模控制的基本原理及性質(zhì)，利用支持向量機(jī)對函數(shù)的逼近能力，針對一類非線性系統(tǒng)，給出了一