基于SVM逆方法的球磨机制粉系统预测控制

根据球磨机制粉过程的特点及相应的动态数学模型,证明了系统的可逆性.进一步利用支持向量机(SVM)对非线性系统具有良好逼近能力的特性,通过其来辩识球磨机制粉过程的逆系统,可以很好解决球磨机制粉系统逆系统建模难的问题,将该逆模型与原系统串联可构成解耦后的伪线性复合系统.同时为了克服逆系统的建模误差,通过设计预测控制器对该复...     

基于NNα阶逆的非线性大时延系统预测控制

针对较一般的模型未知非线性大时延系统,构造其ＮＮα阶递系统与原子系统复合成ＮＮα阶伪线性复合系统;然后将此复合系统作为被控对象,用线性预测控制方法实现有效控制,简化了预测控制器的设计,易于进行稳定性和稳态偏差分析。     

基于GA 的SVM R 预测控制研究

研究高精度、有效、简单的信息预测模型是目前非线性预测控制需要解决的重要问题．SVMR建模方法简单、理论基础完备,所反映的是系统的非线性特征,在建立非线性模型中与神经网络等非线性回归方法相比具有许多独特的优点．为此,提出一种SVMR预测控制结构,利用SVMR建立非线性系统模型,利用GA进行滚动优化．实验证明,这种预测控制具有良好的非线性控制效果．     

一类非线性系统的自适应广义预测控制

针对一类非线性系统,通过分析将其表示为具有时变系数的线性系统,然后利用带协方法差修正的最小二乘法对时变参数进行在线辨识,最后运用广义预测控制策略实现对原系统的自适应预测控制。仿真结果表明了该方法的有效性。     

具有Hammerstein形式的非线性系统广义预测控制

本文提出了具有Ｈａｍｍｅｒｓｔｅｉｎ形式的非线性系统广义预测控制方法，分析了当控制水平等于１时闭环系统的稳定性，同时还提出了使用线性估计器的非线性自适应广义预测控制算法。仿真结果表明了算法的有效性。     

一类非线性系统的广义预测控制研究

针对一类难以线性化的单输入单输出非线性离散系统,就其实际输出信号跟踪参考输出信号的控制问题,研究了它的广义预测控制律设计方法。在系统数学模型非线性项的系数多项式满足一定条件的情况下,通过适当的数学处理,使问题的本质归结为求解线性差分系统的一组Diophantine方程,从而解出了非线性系统广义预测控制律表达式中的各个系数多项式,并给出了广义预测控制律的具体解析形式。通过仿真实例验证了所提出设计方法的正确性和有效性。     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。     

稳定的非线性系统广义预测控制

针对广义预测控制(GPC)算法稳定性分析困难,对参数未知非线性系统提出一种稳定广义预测控制(DGPC)方法。该方法首先将非线性系统转换为时变线性系统,然后利用三次样条基函数逼近时变系统中的系数,通过带时变遗忘因子的递推最小二乘算法辨识系数获得对象模型。基于模型通过性能指标中的前馈增益设计来保证控制系统稳定,仿真结果验证了该方法的有效性。     

基于支持向量机的一类非线性系统预测控制

针对一类具有输出反馈耦合的离散非线性系统,将过程的非线性部分通过支持向量机转化为全局线性状态空间模型,并在目标函数中引入系统状态的变化,给出一种类似于离散PI最优调节器的新型预测控制器.该方法不需要在线辨识系统参数,因为系统的内模已转换成全局离线模型.由于引入了新的优化目标函数,该控制器的控制效果和鲁棒性优于仅考虑预测输出误差的传统预测控制器.仿真结果表明,它也优于经典离散PI最优调节器.     

基于多模型的非线性系统广义预测控制

对于复杂的离散时间非线性系统，提出一种基于多模型的广义预测控制方法．通过在平衡点附近建立线性模型，并用径向基函数神经网络来补偿匹配误差，形成了非线性系统的多模型表示，然后采用模糊识别方法作为切换法则，并结合广义预测控制构成了多模型广义预测控制器．通过对连续发酵过程的计算机仿真，表明了该方法的有效性．     

改进的概率选择主动支持向量机算法

针对大多数主动学习支持向量机（ASVM）的主动学习策略只注重考察超平面附近的样本,忽略了有些距离超平面远但是支持向量的样本,而且没有考虑当前超平面是否接近实际的超平面。提出一种基于概率的主动支持向量机算法,采用一个置信因子来衡量当前的超平面接近实际的超平面的程度。实验结果都验证了该算法在分类精度与计算量方面都有了较大改进。     

自适应模糊支持向量机算法研究

一个有效的核方法通常取决于选择一个合适的核函数。目前研究核方法的热点是从数据中自动地进行核学习。提出基于最优分类标准的核学习方法,这个标准类似于线性鉴别分析和核Fisher判别式。并把此算法应用于模糊支持向量机多类分类器设计上,在ORL人脸数据集和Iris数据集上的实验验证了该算法的可行性。     

基于支持向量机协同训练的半监督回归

将支持向量机与半监督学习理论相结合,提出基于支持向量机协同训练的半监督回归模型,使用两个支持向量机回归模型相互影响,协同训练。利用实验数据集进行实验,并与监督支持向量机回归模型、半监督自训练支持向量机回归模型作比较。实验结果表明,基于支持向量机协同训练的半监督回归模型在缺少标记样本的情况下,提高了回归估计的精度。     

基于差分进化算法的支持向量机参数选择

支持向量机参数是影响其性能的重要因素,为了进一步提高支持向量机分类精度和泛化能力,提出了基于差分进化算法的SVM参数选择。以样本误判率最小为优化准则,利用差分进化算法对SVM参数进行优化选择。实验结果表明,利用差分进化算法选择SVM参数,加快了参数搜索的速度,提高了SVM分类精度,该方法具有良好的鲁棒性和较强的全局寻优能力。     

十折交叉检验的支持向量机参数优化算法

针对支持向量机结构参数的选取在没有理论支持,选取又比较困难的情况下,提出了一种基于遗传算法和十折交叉检验相结合的遗传支持向量机(GA-SVM)算法,利用遗传算法的全局搜索特性得到SVM的最优参数值,有效提高了分类的精度和效率。     

基于支持向量机与反K近邻的分类算法研究

针对支持向量机在对样本进行分类时,决策超平面附近的点较易错分的问题,首先将反K近邻法引入分类问题,提出了反K近邻分类算法;然后,将支持向量机（SVM）与反K近邻分类算法（RKNN）相结合,提出了基于支持向量机与反K近邻的分类算法（SVM-RKNN）;最后,为了避免单一分类器可能存在的片面性问题,提出了基于SVM-RKNN的多特征融合分类方法。实验结果表明：SVM-RKNN分类算法的分类准确率比SVM方法平均提高了2.13%,而基于SVM-RKNN的多特征融合分类算法的分类准确率分别比SVM和SVM-RKNN算法平均提高了2.54%和0.41%。     

基于支持向量机的质量控制软测量建模

在具体研究支持向量机理论的基础上,提出了一种基于支持向量机的软测量控制方法。针对工业过程变量无法在线测量和大滞后的问题,建立了相应的支持向量机回归模型,将此方法用于合成反应器的质量控制中,实现了输出值的在线预估,并分析了参数调整和核函数的选择对建模的影响,得到了泛化良好的模型仿真结果。     

基于SVM的非特定人声调识别的研究

在建立非特定人普通话四声语调语音数据库的基础上,采用Mel频率倒谱系数（MFCCs）对语音数据进行特征参数的提取,并利用支持向量机（SVM）对语音中的四种声调进行了训练和识别研究。实验结果表明MFCCs和SVM的结合得到的平均识别率达到了97.6%。     

基于小波变换和支持向量机的音频分类

音频特征提取是音频分类的基础,而音频分类又是内容的音频检索的关键。综合分析了语音和音乐的区别性特征,提出一种基于小波变换和支持向量机的音频特征提取和分类的方法,用于纯语音、音乐、带背景音乐的语音以及环境音的分类,并且评估了新特征集合在SVM分类器上的分类效果。实验结果表明,提出的音频特征有效、合理,分类性能较好。     

基于聚类和支持向量机的入侵检测研究

提出了一种基于聚类和支持向量机的入侵检测算法,该算法可以有效地减小计算复杂性,提高检测性能。算法首先使用K-MEANS聚类算法对数据做一个初步的划分得到多个类;然后考察每个类中数据的标识,只有当类中的数据标识不止一个时才进行支持向量的查找。最后使用KDD CUP 1999进行了计算机仿真实验,实验结果说明了该算法的有效性。