支持向量回歸在預測控制中的應用研究.pdf

1、統(tǒng)計學在解決機器學習問題中起著基礎(chǔ)性的作用，傳統(tǒng)統(tǒng)計學主要研究漸近理論，即當訓練樣本數(shù)目趨向無窮大時的統(tǒng)計性質(zhì)。但實際問題中可用樣本數(shù)目通常是有限的，因此一些理論上很優(yōu)秀的學習方法實際中表現(xiàn)得卻可能不盡人意。統(tǒng)計學習理論系統(tǒng)地研究了機器學習問題，尤其是有限樣本下的統(tǒng)計學習問題。在該理論的框架下產(chǎn)生了“支持向量機”這一新的通用機器學習方法。它植根于統(tǒng)計學習理論的vC維理論和結(jié)構(gòu)風險最小化原則，根據(jù)有限的樣本信息在模型的復雜性和學習能力之間

2、尋求最佳折衷，以獲得最好的推廣能力。 本文首先將支持向量回歸算法應用于時間序列預測，通過仿真驗證了支持向量回歸具有很好的非線性逼近能力和泛化能力，并分析得出支持向量回歸之所以能更好地實現(xiàn)對時間序列擬合及其預測的原因，同時指出支持向量回歸算法存在的不足。針對支持向量機二次規(guī)劃(OP)算法處理大規(guī)模數(shù)據(jù)計算復雜度高的問題，介紹了適宜處理大規(guī)模數(shù)據(jù)的序列最小優(yōu)化(SMO)算法，并對該算法在算法和程序設(shè)計上進行改進，使運算速度和預測精度

3、得到了較大提高。 基于支持向量回歸的辨識研究基本上都為離線辨識，其原因在于支持向量回歸處理大批數(shù)據(jù)時存在耗時長及內(nèi)存開銷大的問題，不能滿足實時計算的要求。針對這個問題提出了基于支持向量回歸的限定記憶在線辨識算法，該算法有效地避免了內(nèi)存開銷大的問題，滿足了在線辨識實時性的要求，為將支持向量回歸應用于控制研究奠定了基礎(chǔ)。 本文分析了內(nèi)模控制的工作原理和特點，利用支持向量回歸具有很好的非線性逼近能力的特性，將支持向量回歸理論應

4、用于內(nèi)?？刂?。提出了一種支持向量回歸內(nèi)?？刂?SVR-IMC)的設(shè)計方法：采用支持向量回歸在線辨識算法建立被控對象的正模型，并利用先離線再在線辨識的方法建立被控對象的逆模型，即內(nèi)?？刂破?。SVR-IMC具有較好的魯棒性和抗干擾能力。 動態(tài)矩陣控制是預測控制算法中的一種，采用工程上易于測取的對象階躍響應建立預測模型，由于干擾和噪聲等因素的影響，預測模型與真實系統(tǒng)往往存在偏差影響控制性能。針對系統(tǒng)的建模誤差，本文提出一種基于支持向量