慢時(shí)變對(duì)象的支持向量機(jī)建模與在線校正方法研究.pdf

1、時(shí)變現(xiàn)象廣泛存在于過(guò)程控制、航空航天、故障診斷等領(lǐng)域,由于時(shí)變系統(tǒng)的廣泛性以及復(fù)雜性,時(shí)變系統(tǒng)的建模與在線校正問(wèn)題已經(jīng)成為研究的熱點(diǎn)問(wèn)題之一。目前普遍采用的建模算法在實(shí)際應(yīng)用中存在一定的局限性,因?yàn)閭鹘y(tǒng)的定常建模方法建立在時(shí)不變或平穩(wěn)過(guò)程的假設(shè)基礎(chǔ)上,而現(xiàn)實(shí)中存在的系統(tǒng)總是呈現(xiàn)出各種各樣的非平穩(wěn)性和時(shí)變性,其中尤以參數(shù)慢時(shí)變系統(tǒng)為典型代表。因此本文在參閱大量相關(guān)文獻(xiàn)的基礎(chǔ)上,對(duì)參數(shù)慢時(shí)變系統(tǒng)建模方法進(jìn)行了深入的研究。
　　 首先

2、,介紹了時(shí)變系統(tǒng)的基本特性及其傳統(tǒng)建模算法。在學(xué)習(xí)基本的建模方法的基礎(chǔ)上,針對(duì)其的不足,將智能算法支持向量機(jī)引入其中。對(duì)基于統(tǒng)計(jì)學(xué)理論的支持向量機(jī)理論進(jìn)行了系統(tǒng)的學(xué)習(xí),并對(duì)支持向量機(jī)的去噪能力進(jìn)行了探討；然后,介紹了兩種支持向量機(jī)的增量算法,即ZD-SVM和AO-SVM,并通過(guò)對(duì)上述兩種方法的研究,分析了ZD—SVM和AO-SVM各自的優(yōu)缺點(diǎn),針對(duì)AO-SVM支持向量集為空、先進(jìn)先出刪除樣本點(diǎn)策略以及算法的不穩(wěn)定等問(wèn)題,將AO-SVM和

3、ZD-SVM相結(jié)合提出了利用矩陣運(yùn)算將空集轉(zhuǎn)變?yōu)榉强占?有選擇的先進(jìn)先出刪除樣本點(diǎn)策略以及錯(cuò)點(diǎn)剔除重新運(yùn)算等改進(jìn)方法；然后,針對(duì)支持向量機(jī)增量算法不斷在線學(xué)習(xí)建模策略所存在的浪費(fèi)資源、誤學(xué)習(xí)等問(wèn)題,應(yīng)用主元分析(PCA)監(jiān)測(cè)理論對(duì)過(guò)程特性進(jìn)行監(jiān)測(cè),再利用增量支持向量機(jī)進(jìn)行在線學(xué)習(xí)從而實(shí)現(xiàn)了在線校正方法解決上述問(wèn)題。最后,應(yīng)用小波去噪解決了由于大噪聲樣本建模而導(dǎo)致的PCA監(jiān)測(cè)能力丟失問(wèn)題,并最終提出對(duì)于存在噪聲的慢時(shí)變系統(tǒng)在線校正PCA-