| [页数]:41 [字数]:34499 [目录] 第一章 绪论 第二章 基于线性核函数SVM的非参数模型 第三章 基于线性核函数SVM的非参数模型辨识及其预测控制 第四章 弱非线性系统基于线性核函数 第五章 基于SVM的直接逆模型辨识与内 第六章 SVM在微生物发酵过程软测量中 [摘要] 本文主要研究支持向量机(SupportVe ctorM achine，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(SVMesM AC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立预测模型，引入反馈校正和滚动优化技术，通过预测控制的机理推导出了滚动时域目标函数下单步和多步预测输出的控制律解析表达式; 4.针对输入输出型非线性系统，利用2次多项式核函数SVM杰出的非线性拟合能力，根据实验数据或生产数据辨识得到SVM预测模型，引入反馈校正和滚动优化技术，将对应的二次型优化目标函数最终转化为一个带有模型输出等式约束和控制变量有界约束的优化问题，采用卡丹公式，得到滚动时域下全局最优的单步预测控制律解析表达式。对于多步预测问题，我们讨论了两种情况，一是预测时域和控制时域相等的情况，在这种情况下，我们通过求取一系列一元三次方程而获得解析的控制律表达式;另外在更普遍的预测时域大于控制时域的情况下，采用寻优算法获取次优的控制律; 5.利用SVM对函数逼近的能力，提出了基于SVM的正模型和逆模型辨识方法，分别采用2次多项式核函数和高斯RBF核函数，利用训练数据对线性和非线性系统进行黑箱辨识，建立系统的正模型和逆模型。同时，提出了基于SVM逆模型和正模型的内模控制方法; 6.针对间歇式微生物发酵过程，提出了基于SVM 的生物质浓度软测量方法，为生物发酵优化控制的进一步研究提供了一条新的路子; 7.最后对全文进行了概括性总结，并指出了有待进一步研究的方向。 [正文] 第一章绪论 摘要:本章对统计学习理论以及支持向量机的历史背景、基本原理和概念及数学表达进行了回顾。简要分析和阐述了支持向量机在系统辨识与控制应用方面取得的研究成果。 关键词:统计学习理论，支持向量机，历史回顾，辨识与控制，研究现状 1.1统计学习理论概述 (Vapnik,1995; Vapnik,1998; Vapnik著，张学工译，2000以及Vapnik著，许建华，张学工译，2004)统计 推 理 方法是从观测所得的数据结果去推断该事物发生的规律性。人们最初总是从其发生的数量表现上通过一定的统计手段分析得到一些表面的规律，然后提出以某些数学理论为基础的假设，在此基础上做进一步的研究，并在实践中加以检验(Vapnik,1995;边肇棋，张学工，2000;孙宗海，2003).统计 学 习 理论是上世纪末才逐渐完善的一种新的学习理论体系，它认为:要从观测数据对依赖关系进行估计，只要知道未知依赖关系所属函数集的某些一般性质就可以了。 1.1.1统计学习理论的历史回顾 统计 推 理 方法可以追溯到Gauss和Laplace的最小二乘法和最小模法。但系统地分析这些问题是上世纪20年代晚期才开始的。那时的主要研究命题是“给定一个来自某一函数依赖关系的经验数据集，推断这一函数依赖关系”。，1.1节和1.2节的内容主要引用自Vapnik(1995)和Vapnik(1998)两本经典著作以及对应的中文翻译本张学工译(2000)和许建华，张学工译(2004)针对 这 一 命题，Fisher提出了参数统计学统一框架下的统计推理的主要模型。他把从给定数据估计参数的不同问题，比如判别分析、回归分析和密度估计问题表示为参数化模型的参数估计问题，并提出了估计所有模型未知参数的最大似然方法。这奠定了统计推理的经典参数体系。这一方法在上世纪中叶占据了这个学科的统治地位，并至今还有很多学者在研究和发展它。这一体系基于以下信念:①能够定义一个自由参数少的，与参数成线性关系的，且包含对所求函数存在最佳逼近的函数集 ...... [参考文献] Alvarez J.L.R.(1995). An internal-model forProceedingsof th e3` 4Eu ropeanC ontrolCo nference,Ro menonlinear s ys tem s .p301-306Alvarez J.L.R. et. al(2004). Support vector method for robust system identification.IE EET rans.on S ignalP rocessing,V ol.52(1),p 155-164An Wen-Sen; Sun Yan-Guang(2005). An Information-Geometrical Approach toKe rne l C onstruction in SVM and itsA pplication in Soft-SensorM odeling.ProceedingsCybernetics,of 2005 on Machine Leaming andVol.7,p 4356一4359 Athanassia C., Scholkopf B. and Smola A.J.(2000). Choosing vin support vector reg res sio nw ithd iferentno isem odels-theory ande xperiments玩International Joi ntC on ferenceo nN euralN etworks(IJCNN'00),C omo,Ita ly,Vo 1.5,p1 99-204 BoserB .,G uyon1. an dV apnik,V .N .(1992).A t raininga lgorithmf orop timalm argin cla ssi fie rs.F ifthA nnualW orkshopo nC omputationalL earningT heory,A CM, ...... [原文截取] 摘要 2 Abstract 3 第一章绪论 5 1.1统计学习理论概述 5 1.1.1统计学习理论的历史回顾 5 1.1.2统计学习理论的基本概念和核心内容 6 1.2.1最优分类超平面与支持向量机分类 9 1.2.2支持向量机函数拟合 9 1.3.1支持向童机训练算法的研究现状 10 1.3.2支持向童机在控制领域中的应用研究现状 11 1.3.2.1支持向量机在系统辨识与建模中的应用研究现状 11 1.3.2.2支持向量机在预侧控制中的应用研究现状 13 1.3.2.3支持向童机在软测试中的应用研究现状 14 第二章基于线性核函数SVM的非参数模型 16 2.1引言 16 2.2数学基础. 17 2.2.1脉冲响应特性 17 2.2.2阶跃响应特性 17 第三章基于线性核函数Svm的非参数模型辨识及其预测控制 18 3.1 ARMA模型描述 18 3.2 CARIMA模型描述 18 3.3 模型描述 18 3.4墓于SVM的脉冲响应模型及SVM MAC 19 3.4.1基于SVM的脉冲响应模型 19 3.4.2 单步SVM MAC 1..... |
支持向量机在先进控制中的应用研究
查看评论
已有0位网友发表了看法