基于改進(jìn)GPR的自整定算法研究.pdf

1、本文將分別對傳統(tǒng)高斯過程回歸中存在的計(jì)算量大的問題給出兩種基于數(shù)據(jù)子集的近似方法;對于傳統(tǒng)辨識(shí)過程中存在的基于模型辨識(shí)的問題給出一種基于改進(jìn)高斯過程回歸的無模型智能辨識(shí)方法;對于傳統(tǒng)的基于定量控制理論中控制器參數(shù)整定存在的調(diào)節(jié)度需要人工調(diào)整的問題,提出一種基于改進(jìn) GPR(Gaussian Process Regression)的機(jī)器學(xué)習(xí)方法;對于控制過程中較為難以整定的開環(huán)不穩(wěn)定對象,提出了一種新型的基于麥克勞林展開和Pade近似的H

2、性能指標(biāo)下的控制器整定方法。本文的主要?jiǎng)?chuàng)新點(diǎn)和成果包括:
　　(1)針對傳統(tǒng)高斯過程回歸中存在的主要問題--計(jì)算量很大,提出了兩種利用數(shù)據(jù)子集近似的方法,一種為基于距離指標(biāo)的混合算法,該算法結(jié)合了傳統(tǒng)近似算法中的貪心算法和隨機(jī)算法的各自優(yōu)點(diǎn),既能夠利用隨機(jī)算法避免最壞情況發(fā)生的優(yōu)勢,又能夠結(jié)合貪心算法能夠增加最好情況發(fā)生的優(yōu)勢,從而使得最后的近似效果會(huì)優(yōu)于傳統(tǒng)的貪心算法和隨機(jī)算法;另外一種是基于最大方差指標(biāo)的近似算法,該算法利用最

3、大方差性能指標(biāo),可以使得最后選出來的近似子集能夠包含最大的信息量,最大程度上的去冗余,也同時(shí)最能代表原來的數(shù)據(jù)樣本集。該兩種算法相比于傳統(tǒng)的近似算法都會(huì)有很高的性能提升。
　　(2)針對傳統(tǒng)的辨識(shí)過程中,一般都要首先選擇辨識(shí)對象的具體模型這個(gè)問題,同時(shí)由于傳統(tǒng)的基于控制對象階次的局限性,實(shí)際過程中純在高噪聲的特殊工況下,以及一般算法的低效性等實(shí)際存在的原因。提出了一種基于改進(jìn)GPR的智能辨識(shí)方法,該方法可以智能的識(shí)別辨識(shí)對象所要采

4、用的具體模型,無需要選擇,根據(jù)實(shí)際回歸出來的平滑曲線選擇合適的辨識(shí)算法。同時(shí)針對傳統(tǒng)最小二乘起始點(diǎn)和終止點(diǎn)難以選擇的問題,提出一種基于改進(jìn) GPR的辨識(shí)方法,可以有效解決該問題。
　　(3)針對傳統(tǒng)的基于定量控制理論中控制器參數(shù)整定存在的性能度需要人工調(diào)整的問題,提出一種基于改進(jìn) GPR的機(jī)器學(xué)習(xí)方法。本方法通過學(xué)習(xí)已經(jīng)獲取的對應(yīng)關(guān)系,其中輸入為時(shí)間常數(shù)、時(shí)滯,輸出為在絕對誤差積分最小性能指標(biāo)下的調(diào)節(jié)度與時(shí)滯的比值。本方法只需要通

5、過少量的樣本數(shù)據(jù)就可以根據(jù)給定的時(shí)間常數(shù)和時(shí)滯大小預(yù)測出IAE性能指標(biāo)最小的?值,可以大大減少人工調(diào)節(jié)的復(fù)雜過程,從而加快了自整定的過程。
　　(4)針對控制過程中較為難以整定的開環(huán)不穩(wěn)定對象,提出了一種新型的基于麥克勞林展開和Pade近似的H性能指標(biāo)下的控制器整定方法。同時(shí)該方法還可以簡單明了的設(shè)計(jì)閉環(huán)控制系統(tǒng)的前置濾波器,減少了系統(tǒng)的超調(diào)量,使得控制對象可以無超調(diào)的跟蹤輸入信號(hào)。本方法相比于其他的控制器參數(shù)整定方法有很好的魯棒