支持向量机逆系统控制方法的研究与应用

摘要

支持向量机(Support Vector Machine，SVM)是基于统计学习理论的机器学习方法，具有泛化能力好且结构简单的优点。本文利用其对函数精确拟合特性，解决非线性逆模型建立困难的问题，SVM将非线性回归问题转化到一个线性可分的高维特征空间中的一个凸优化问题，得到的解是全局最优的。本文针对SVM直接逆方法在控制性能上的不足，研究如何改进算法并进一步推广应用于非线性系统的控制中。
　　 本文首先分析和阐述了SVM在系统辨识及SVM逆方法在系统控制应用中国内外的研究现状；在逆系统定义的基础上，阐述了系统可逆性判定及求取系统相对相量阶的方法，并以SVM非线性回归算法为基础，讨论了有关SVM参数寻优方法。仿真中以非线性单变量系统为例，研究了SVM的辨识能力，为进一步将其推广应用到多变量非线性系统的控制中奠定基础。
　　 针对球磨机制粉过程的非线性、多变量强耦合特性，建立系统的动态数学模型，证明了系统的可逆性。利用SVM来辨识球磨机制粉过程的逆模型，将该逆模型与原系统串联可构成解耦后的伪线性复合系统。同时为了克服逆系统的建模误差，通过设计预测控制器对该复合系统进行闭环优化控制。仿真结果验证了本文提出的方法不依赖于球磨机制粉系统的精确数学模型，能够适应系统模型的不确定性，可在大范围内克服系统非线性强耦合问题，实现了球磨机制粉系统的有效控制。
　　 最后，研究了SVM逆方法鲁棒性方面存在的问题，提出基于SVM逆方法的模型参考自适应控制方法。仿真中分别考察系统存在干扰、模型失配的情况下的系统鲁棒性，结果显示该控制方法很好地抑制了扰动，模型参数的改变也没有给系统造成影响，仍能取得良好的控制效果。

目录

文摘

英文文摘

声明

第1章绪论

1.1研究背景及意义

1.2研究现状

1.2.1 SVM在系统建模中的应用研究现状

1.2.2 SVM逆方法的应用研究现状

1.3本文主要工作和内容

第2章 SVM逆方法

2.1逆系统

2.1.1逆系统定义

2.1.2非线性系统的可逆性

2.1.3伪线性复合系统

2.2 SVM理论基础

2.2.1 统计学习理论

2.2.2 SVM及SVM非线性回归理论

2.3 SVM非线性回归算法

2.3.1非线性回归

2.3.2回归参数的优化

2.4SVM逆方法

2.4.1 SVM直接逆系统

2.4.2仿真结果与分析

2.5本章小结

第3章SVM逆方法在球磨机制粉系统中的应用

3.1球磨机制粉系统

3.1.1球磨机制粉系统简介

3.1.2球磨机制粉系统的数学模型

3.2球磨机制粉系统的可逆性分析

3.3 SVM多变量非线性回归算法

3.4基于SVM逆方法的球磨机制粉系统预测控制

3.5仿真结果与分析

3.5.1磨煤机制粉逆系统辨识

3.5.2控制算法仿真

3.6本章小结

第4章 基于SVM逆方法的模型参考自适应控制

4.1 非线性自适应逆控制

4.2系统扰动的消除

4.2.1扰动消除的控制结构

4.2.2具有参考模型和扰动消除的自适应逆控制结构

4.3基于SVM的非线性自适应逆控制

4.3.1控制算法结构

4.3.2控制算法仿真

4.4本章小结

第5章 结论

5.1主要研究成果

5.2工作展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果