| 【中文题名】 | 基于混沌优化与支持向量机的建模与控制研究 |
| 【英文题名】 | System Modelling and Control Based on Chaotic Optimization and Support Vector Machines |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-9-20 |
| 【中关键词】 | 计算智能,控制系统,非线性系统,混沌优化,支持向量机,神经网络 |
| 【英关键词】 | Computational intelligence,control system,nonlinear system,chaotic optimization,support vector machines,neural networks, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
近年来,模糊逻辑、神经网络、进化算法、混沌优化、支持向量机等计算智能理论和方法是国内外电子工程、自动化、计算机科学等领域研究的热门前沿课题之一,取得了很大的发展,尤其是在控制领域得到了深入研究和应用。本论文以混沌优化、支持向量机二种计算智能方法为主,以此研究非线性系统的建模与控制。
论文首先介绍了混沌理论的相关知识,接着详细地描述了混沌优化算法,在分析混沌优化算法特点的基础上,提出了一种并行混沌优化算法融合单纯形法的优化算法,接着分析了该优化算法的优化性能。随后,论文将该优化算法应用于多种类型模型的系统辨识,既有线性系统,又有非线性系统,取得了较好的仿真结果。
支持向量机方法是一种新的机器学习算法,其原理是建立在统计学习理论的VC维理论和结构风险最小原理基础上,表现出了许多优越于人工神经网络的优点,如:全局最优、学习训练速度快、范化能力强等等。论文描述了支持向量机的基本知识,从支持向量机分类和回归两个方面介绍了其基本原理和理论,描述了核函数的形式和网络结构,并着重介绍了支持向量机的学习训练算法。
其后,针对非线性系统的模型辨识及其逆模型辨识等建模问题,论文考虑将非线性逼近性能... |
| 【论文题纲】 |
|
摘要 |
7-8 |
|
ABSTRACT |
8-9 |
|
第1章 绪论 |
9-15 |
|
1.1 前言 |
9-10 |
|
1.2 混沌优化算法 |
10-11 |
|
1.3 支持向量机 |
11-13 |
|
1.4 本文的主要研究内容 |
13-15 |
|
第2章 混沌优化算法及其改进 |
15-28 |
|
2.1 混沌的基本知识 |
15-17 |
|
2.1.1 混沌 |
15 |
|
2.1.2 混沌理论的相关概念 |
15-16 |
|
2.1.3 混沌的主要特征 |
16-17 |
|
2.2 混沌优化算法 |
17-20 |
|
2.3 并行混沌融合单纯形的优化方法研究 |
20-22 |
|
2.3.1 并行混沌搜索机制 |
20-21 |
|
2.3.2 单纯形法简介 |
21-22 |
|
2.3.3 并行混沌搜索融合单纯形的优化方法 |
22 |
|
2.4 优化算法性能分析 |
22-25 |
|
2.4.1 性能分析参量 |
22-23 |
|
2.4.2 算法性能分析 |
23-25 |
|
2.5 仿真研究 |
25-27 |
|
2.6 小结 |
27-28 |
|
第3章 基于混沌优化算法的系统辨识 |
28-34 |
|
3.1 系统辨识描述 |
28-29 |
|
3.2 辨识方法分类 |
29 |
|
3.3 基于混沌优化算法的系统辨识 |
29-31 |
|
3.4 辨识仿真 |
31-33 |
|
3.5 小结 |
33-34 |
|
第4章 支持向量机基本原理及学习算法 |
34-44 |
|
4.1 基本原理介绍 |
34-39 |
|
4.1.1 支持向量机分类 |
34-36 |
|
4.1.2 支持向量机回归 |
36-37 |
|
4.1.3 核的种类与特性 |
37-38 |
|
4.1.4 核参数的选择 |
38 |
|
4.1.5 支持向量机结构 |
38-39 |
|
4.2 学习算法 |
39-43 |
|
4.2.1 学习算法研究状况 |
39-42 |
|
4.2.2 SMO 学习算法介绍 |
42-43 |
|
4.3 小结 |
43-44 |
|
第5章 基于支持向量机的模型辨识 |
44-51 |
|
5.1 预备知识 |
44-46 |
|
5.2 SVM 模型辨识的具体实现 |
46-48 |
|
5.3 仿真研究 |
48-50 |
|
5.4 小结 |
50-51 |
|
第6章 基于支持向量机的逆模型辨识 |
51-56 |
|
6.1 逆系统的定义 |
51-52 |
|
6.2 模型的可逆性 |
52 |
|
6.3 基于SVM 的逆模型求解 |
52-53 |
|
6.4 仿真研究 |
53-55 |
|
6.5 小结 |
55-56 |
|
第7章 基于支持向量机的逆模型控制设计 |
56-63 |
|
7.1 直接逆模型控制 |
56-57 |
|
7.2 带PID 反馈补偿的SVM 逆控制系统 |
57-58 |
|
7.3 仿真研究 |
58-62 |
|
7.4 小结 |
62-63 |
|
第8章 支持向量机-模糊推理自学习控制器设计 |
63-72 |
|
8.1 模糊推理系统 |
63 |
|
8.2 支持向量机-模糊推理系统 |
63-65 |
|
8.3 自学习控制器的结构 |
65 |
|
8.4 自学习控制器的学习算法 |
65-69 |
|
8.4.1 变尺度梯度优化学习算法 |
66-68 |
|
8.4.2 自适应混沌优化学习算法 |
68-69 |
|
8.5 仿真研究 |
69-71 |
|
8.6 小结 |
71-72 |
|
第9章 结论与展望 |
72-74 |
|
参考文献 |
74-79 |
|
致谢 |
79-80 |
|
附录A (攻读学位期间所发表的学术论文目录) |
80 |
|
| 【DOI】 | LunWen.ID:2.2008.387973 |
