過程支持向量機及其在衛(wèi)星熱平衡溫度預測中的應用研究.pdf

1、在衛(wèi)星熱平衡試驗中，熱平衡溫度隨時間變化的過程實際上是一個隨時間累積的過程。過程神經網絡雖能很好地體現這種時間累積效應，但其泛化能力不強。傳統(tǒng)支持向量機具有較好的泛化能力，但難以精確反映上述時間累積效應。本文針對衛(wèi)星熱平衡試驗的實際需求，在對過程神經網絡和傳統(tǒng)支持向量機的優(yōu)缺點進行分析的基礎上，提出一種新的學習機器——過程支持向量機，對其機理進行深入研究，并將其應用于衛(wèi)星熱平衡溫度預測。
　　本文首先對過程神經網絡的泛化問題進行研

2、究，給出提高泛化能力的方法。在對支持向量機回歸理論研究的基礎上提出了過程支持向量機模型。過程支持向量機的輸入是時變函數，其核函數的內積運算是兩個函數的乘積，運用積分算子將函數乘積轉化為數值，并用正交基函數來簡化積分運算。從而過程支持向量機能夠對時變系統(tǒng)建模，并用仿真案例來證明過程支持向量機能夠更好的體現時變系統(tǒng)中的時間累積效應，能夠提高預測精度。
　　核函數是過程支持向量機的核心。核函數通過將輸入映射到高維特征空間，實現線性處理。

3、本文對過程支持向量機的核函數性質和構造方法進行了研究，給出了輸入是時變函數情況下的不同核函數的具體形式和核函數的選擇方法。核參數、正則化參數和不敏感系數是影響過程支持向量機泛化能力的主要因素，本文提出粒子群優(yōu)化算法對上述參數進行組合尋優(yōu)，以得到具有較好泛化能力的過程支持向量機。本文還提出最大速度非線性遞減策略，來提高參數尋優(yōu)精度。
　　衛(wèi)星的空間環(huán)境及其累積效應是影響衛(wèi)星性能和壽命的主要因素，為保證衛(wèi)星運行的可靠性，在發(fā)射前應在地

4、面對其進行充分的熱平衡試驗。為縮短熱平衡試驗周期，降低衛(wèi)星研制成本，應大力開展衛(wèi)星不穩(wěn)定熱平衡試驗方法研究，即開展衛(wèi)星熱平衡溫度預測研究。為此，本文在上述理論研究的基礎上，提出一種基于過程支持向量機的熱平衡溫度預測方法，應用結果表明：由于能夠更好的體現熱平衡溫度變化過程中的時間累積效應，因而與傳統(tǒng)支持向量機相比，本文所提出的方法具有更高的預測精度；而與過程神經網絡相比，本文所提出的方法具有更好的泛化能力，更適合用來解決實際工程問題。因此