最小二乘支持向量機建模及預測函數(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與熱點，非常重要的一個因素就是難以獲得準確的辨識模型?；诮Y構風險最小化原則的支持向量機(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)。以此為基礎發(fā)展出了最小二乘支持向量機(LSSVM)，將支持向量機的不等式約束轉(zhuǎn)化成等式約束，明顯簡化了計算。在控制策略方面，預測控制一直是非常有效的方式，預測函數(shù)控制因其可以規(guī)律化控制輸入并簡化計算成為了主流預測控制方法之

2、一。本文針對最小二乘支持向量機和預測函數(shù)控制，做了深入研究，對這兩種理論做了非常有意義的改進并將二者結合解決非線性控制問題。
　　 1.最小二乘支持向量機捋支持向量機中的不等式約束轉(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建辨識模型，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)選擇好壞對建模效果有明顯影響。對此本文提出基于交替混沌粒子群算法的搜索技術，利用了粒子群算法的計算簡單性和混沌算法的遍歷性，使得整個搜索過程方便快捷，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獲得系統(tǒng)辨識模型，采用預測函數(shù)控制方法實現(xiàn)非線性系統(tǒng)控制。由于辨識模型是非線性和解析的，本文提出通過線性近