支持向量機逆系統(tǒng)廣義預測控制算法的研究.pdf

1、目前,在非線性系統(tǒng)的一般形式上,逆系統(tǒng)方法已經(jīng)建立起了近乎完整的理論體系。該方法卻要求能夠獲得非線性系統(tǒng)精確的數(shù)學模型,但是實際工程應用中的非線性關系往往難以準確描述。非線性過程的復雜數(shù)學模型即使建立起來了,又很難求出其逆模型的解析解。
　　從統(tǒng)計學習理論發(fā)展而來的支持向量機(Support Vector Machine,SVM)有兩個重要的優(yōu)點:泛化能力好和結構簡單。它能夠精確擬合函數(shù)的特性使得非線性系統(tǒng)難以建模的問題變得簡單。

2、SVM的原理是:轉(zhuǎn)化難解的非線性問題到一個高維特征空間中,變成那個空間的一個凸優(yōu)化問題來求解,得到的即是全局最優(yōu)解。
　　但是當訓練樣本較多時,SVM便面臨維數(shù)災難,導致無法有效訓練。最小二乘支持向量機(LeastSquaresSupportVectorMachines,LS-SVM)克服了經(jīng)典二次規(guī)劃方法求解支持向量機的維數(shù)災難問題。它具有良好的魯棒性,運算簡單,收斂速度快,因此在非線性控制方面更具有優(yōu)勢。
　　因此,本文

3、把LS-SVM優(yōu)異的辨識能力與逆系統(tǒng)方法的線性化特性相結合。首先用LS-SVM辨識逆系統(tǒng),并將該逆模型與原系統(tǒng)串聯(lián),對組成的偽線性系統(tǒng)進行控制。接著介紹了基于LS-SVM的a階逆系統(tǒng)方法及其在單輸入單輸出(single-input single-output,SISO)非線性系統(tǒng)的應用,并將其應用從非線性系統(tǒng)的SISO形式推廣到多輸入多輸出(Multi-input Multi-output,MIMO)形式。最后用仿真實例驗證了LS-SV

4、M的辨識能力及所構成的開環(huán)系統(tǒng)的魯棒性,為該方法的進一步研究和推廣奠定了理論基礎。
　　為了降低逆系統(tǒng)方法的建模誤差、提高其抗干擾能力及模型失配的魯棒性,在逆系統(tǒng)方法中融入廣義預測控制,提出了基于LS-SVM的a階逆系統(tǒng)方法的廣義預測控制算法,對該復合系統(tǒng)組成的閉環(huán)系統(tǒng)進行優(yōu)化控制。仿真結果證明了該改進方法不依賴受控對象的數(shù)學模型,很好地抑制了系統(tǒng)擾動,迅速消除了系統(tǒng)不確定性產(chǎn)生的影響,解決了多變量非線性系統(tǒng)的強耦合問題,改進了非