最小二乘支持向量機(jī)建模及預(yù)測(cè)函數(shù)控制問題研究.pdf

1、非線性系統(tǒng)控制問題依舊是目前控制界的研究難點(diǎn)與熱點(diǎn)，非常重要的一個(gè)因素就是難以獲得準(zhǔn)確的辨識(shí)模型?；诮Y(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的支持向量機(jī)(SVM)是處理非線性分類和回歸問題的有力工具，在精度和泛化能力方面都有著優(yōu)異的表現(xiàn)。以此為基礎(chǔ)發(fā)展出了最小二乘支持向量機(jī)(LSSVM)，將支持向量機(jī)的不等式約束轉(zhuǎn)化成等式約束，明顯簡(jiǎn)化了計(jì)算。在控制策略方面，預(yù)測(cè)控制一直是非常有效的方式，預(yù)測(cè)函數(shù)控制因其可以規(guī)律化控制輸入并簡(jiǎn)化計(jì)算成為了主流預(yù)測(cè)控制方法之

2、一。本文針對(duì)最小二乘支持向量機(jī)和預(yù)測(cè)函數(shù)控制，做了深入研究，對(duì)這兩種理論做了非常有意義的改進(jìn)并將二者結(jié)合解決非線性控制問題。
　　 1.最小二乘支持向量機(jī)捋支持向量機(jī)中的不等式約束轉(zhuǎn)化成等式約束后，失去了支持向量的稀疏性。所有訓(xùn)練樣本都捋成為支持向量。為了減少支持向量的數(shù)量，本文提出基于拉格朗日乘子剪切的全樣本逼近策略，剪切對(duì)建模影響較小的支持向量并利用剩余向量使用逼近策略重新構(gòu)建辨識(shí)模型，既減少支持向量數(shù)量，又兼顧到被剪切樣本

3、的信息，建模效果理想。
　　 2.最小二乘支持向量機(jī)建模過程中涉及到超參數(shù)選擇問題，這些參數(shù)選擇好壞對(duì)建模效果有明顯影響。對(duì)此本文提出基于交替混沌粒子群算法的搜索技術(shù)，利用了粒子群算法的計(jì)算簡(jiǎn)單性和混沌算法的遍歷性，使得整個(gè)搜索過程方便快捷，又能避免傳統(tǒng)搜索方法易陷入局部最優(yōu)的問題。
　　 3.通過最小二乘支持向量機(jī)獲得系統(tǒng)辨識(shí)模型，采用預(yù)測(cè)函數(shù)控制方法實(shí)現(xiàn)非線性系統(tǒng)控制。由于辨識(shí)模型是非線性和解析的，本文提出通過線性近