基于聚類分析方法的非線性系統(tǒng)多模型預(yù)測控制算法研究.pdf

1、非線性系統(tǒng)模型辨識和控制問題是非線性系統(tǒng)研究中非常困難，但又十分重要的課題。基于聚類算法的多模型建模方法從系統(tǒng)的輸入輸出數(shù)據(jù)出發(fā)，充分地挖掘數(shù)據(jù)間的相關(guān)信息，合理地將其劃分為具有明顯特征的多個(gè)子空間集來表征系統(tǒng)的非線性特性，并且具有算法結(jié)構(gòu)簡單、收斂速度快且動(dòng)態(tài)特性跟蹤效果好等優(yōu)點(diǎn)，而預(yù)測控制則是工業(yè)過程廣泛應(yīng)用的一種先進(jìn)控制算法。研究基于聚類算法的多模型策略以及與預(yù)測控制方法相結(jié)合的多模型預(yù)測控制方法具有重要的理論研究意義和廣泛的應(yīng)用

2、前景。 本文針對復(fù)雜非線性系統(tǒng)的建模問題，利用分解-合成的多模型策略，針對聚類初值選取問題，對K-means聚類算法進(jìn)行改進(jìn)，然后結(jié)合PLS建模方法辨識多模型參數(shù)，并引入基于模態(tài)變化的切換策略，提出了一種基于改進(jìn)K-means聚類算法的多模型建模方法。通過對自定義非線性系統(tǒng)與PH中和過程的多模型建模仿真研究，表明該方法降低了原有聚類算法對初始值的依賴，提高了算法的收斂速度和建模精度。 由于子模型個(gè)數(shù)k在多模型建模精度以及

3、系統(tǒng)的穩(wěn)定性等方面發(fā)揮著重要作用，因此，在改進(jìn)K-means聚類算法的基礎(chǔ)上，本文提出了兩種優(yōu)化k值的算法：一是將多尺度理論引入密度分布聚類算法，采用了一個(gè)動(dòng)態(tài)閾值來融合相似類，從而確定最優(yōu)k值以及最優(yōu)的密度參數(shù)值；二是提出了一種聚類效果評價(jià)函數(shù)，以此來確定最優(yōu)k值以及最優(yōu)的密度參數(shù)值。通過對自定義對象的聚類以及pH中和過程的多模型建模仿真研究，表明了兩種優(yōu)化算法的有效性。最后，對多因變量PLS的建模方法進(jìn)行了初步探討，針對MIMO系統(tǒng)