| 【中文题名】 | 基于支持向量机的非线性系统建模与控制 |
| 【英文题名】 | Nonlinear System Identification and Control Based on Support Vector Machine |
| 【学科专业】 | 模式识别与智能系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-6-1 |
| 【中关键词】 | 支持向量机,统计学习理论,最小二乘支持向量机,模糊遗传算法,预测控制, |
| 【英关键词】 | support vector machine,statistical learning theory,least square support vector machines,fuzzy genetic algorithms,predictive control, |
| 【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】 | 支持向量机(SVM)是九十年代中期发展起来的新的机器学习技术，SVM是以统计学习理论(SLT)为基础，SLT着重研究小样本条件下的统计规律和学习方法的，而传统统计学前提是有足够多样本，当样本数目有限时难以取得理想的效果。SVM较好的解决了小样本、非线性、局部极小值等实际问题。采用支持向量机回归进行非线性系统建模与控制的研究是最近两三年以来产生的智能控制的一个研究领域。这种建模与控制方法不仅模型简单，有完备的理论支持，更重要的是提供了一种实现复杂的非线性系统的建模与控制的新方法，拓宽了智能控制的研究领域。
本文首先系统地学习了支持向量机的基本理论和应用，分析比较了国际上近期出现的各种支持向量机优化算法，研究了支持向量回归进行非线性系统建模的方法。讨论了支持向量机核参数及惩罚因子等参数对回归估计性能的影响。为了能够自动获取最优的支持向量机参数，避免参数反复试凑的冗长过程，本文将模糊逻辑推理方法与遗传算法相结合，提出了基于模糊遗传算法的SVM参数选择方法，用模糊逻辑在线调整遗传算法的杂交概率p_c和变异概率p_m，提高了标准遗传算法的收敛速度和精度，为解决支持向量机参数选取问题提供了一条有效途径。并将... |
| 【论文题纲】 |
|
摘要 |
3-5 |
|
ABSTRACT |
5-9 |
|
1 绪论 |
9-13 |
|
1.1 统计学习理论与支持向量机的背景 |
9-10 |
|
1.2 支持向量机的研究现状 |
10-11 |
|
1.2.1 国内外的研究现状 |
10 |
|
1.2.2 基于 SVM建模与控制研究的意义及应用前景 |
10-11 |
|
1.3 本文研究的内容 |
11-13 |
|
2 统计学习理论与支持向量机 |
13-25 |
|
2.1 统计学习理论 |
13-15 |
|
2.1.1 VC维 |
13 |
|
2.1.2 经验风险最小化原则 |
13-14 |
|
2.1.3 结构风险最小化原则 |
14-15 |
|
2.2 支持向量机用于分类 |
15-19 |
|
2.3 支持向量机用于回归 |
19-20 |
|
2.4 SVM中的优化算法 |
20-23 |
|
2.4.1 SVM发展初期常用的优化算法 |
20-22 |
|
2.4.2 国际上近期出现的 SVM优化算法 |
22-23 |
|
2.4.3 各种优化算法的分析比较 |
23 |
|
2.5 支持向量机模型的选择 |
23-24 |
|
2.6 小结 |
24-25 |
|
3 支持向量机回归建模问题的研究 |
25-37 |
|
3.1 系统建模的原理 |
25 |
|
3.2 非线性系统建模理论的研究 |
25-26 |
|
3.3 支持向量机回归非线性系统建模研究 |
26-30 |
|
3.3.1 支持向量回归建模算法的实现 |
26 |
|
3.3.2 仿真研究 |
26-29 |
|
3.3.3 SVM参数的影响 |
29-30 |
|
3.4 一种模糊遗传优化支持向量机回归建模方法 |
30-34 |
|
3.4.1 模糊遗传算法 |
31-33 |
|
3.4.2 模糊遗传优化支持向量机回归 |
33-34 |
|
3.4.3 仿真结果 |
34-36 |
|
3.5 小结 |
36-37 |
|
4 LS-SVM原理及应用研究 |
37-44 |
|
4.1 LS-SVM的原理 |
37-38 |
|
4.2 LS-SVM非线性系统建模研究 |
38-39 |
|
4.3 基于遗传优化 LS-SVM的温度传感器非线性误差校正 |
39-42 |
|
4.3.1 传感器非线性误差校正原理 |
39-41 |
|
4.3.2 遗传优化 LS-SVM传感器非线性误差校正 |
41 |
|
4.3.3 仿真结果 |
41-42 |
|
4.4 小结 |
42-44 |
|
5 基于 LS-SVM的预测控制研究 |
44-53 |
|
5.1 预测控制简介 |
44-45 |
|
5.1.1 预测控制的原理 |
44-45 |
|
5.1.2 预测控制算法的分类 |
45 |
|
5.2 非线性预测控制的研究概况 |
45-47 |
|
5.3 基于 LS-SVM的 NMPC的研究 |
47-52 |
|
5.3.1 LS-SVM建立预测模型 |
47-48 |
|
5.3.2 基于模糊遗传算法的NMPC滚动优化 |
48-49 |
|
5.3.3 反馈校正 |
49 |
|
5.3.4 基于 LS-SVM的 NMPC算法实现 |
49 |
|
5.3.5 仿真研究 |
49-52 |
|
5.4 小结 |
52-53 |
|
6 结论 |
53-54 |
|
致谢 |
54-55 |
|
参考文献 |
55-58 |
|
作者在攻读硕士期间所发表的论文 |
58 |
|
| 【DOI】 | LunWen.ID:2.2008.388528 |
