基于支持向量机的非线性预测控制技术

探讨了利用支持向量机进行非线性系统辨识的方法,并将支持向量机模型应用到非线性预测控制,提出了基于支持向量机模型的非线性预测控制算法.对一个CSTR反应器的仿真表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.基于支持向量机的预测控制具有很好的控制性能,为通用非线性控制提供了一种新的控制思路.􀁽     

基于支持向量机的干气制乙苯反应器出口温度预测模型研究

鉴于化工过程往往机理复杂、耦合性强、高度非线性,难于建立其机理模型,这时就需要采用经验建模的方法。支持向量机是一种新的机器学习方法,其基于结构风险最小化原则,用支持向量机建模不需要考虑对象机理,且对非线性问题有很好的效果,是一种良好的经验模型,己被应用于不少化工问题中。在本文中我们把支持向量机这一新颖算法应用于干气制乙苯反应器出口温度预测模型中,简要介绍了支持向量机的一些基本理论,在此基础上详细研究支持向量机在干气制乙苯反应器出口温度预测模型建模中的应用。首先,选择支持向量机的类型为ε-SVR,通过四种核函数在实际预测中误差的比较选择径向基(RBF)核函数作为本文支持向量机模型所用的核函数,之后应用交叉验证的方法选择最佳参数C=4,γ=0.0051543,最后建立预测模型并对训练集和预测集分别预测,预测结果相关系数在90%以上,说明模型精度达到要求。对支持向量机和遗传算法优化的BP神经网络算法的建模效果进行综合比较和讨论,得出支持向量机与传统建模方法相比有更好的预测准确率的结论。     

基于支持向量机的激光焊接过程辨识与控制

激光焊接过程数学模型足一个较强非线性的数学模型,通常的线性辨识方法无法得到它精确的数学模型.支持向量机作为一种新的机器学习方法,具有较强的非线性拟合能力,应用支持向量机非线性系统回归建模方法,辨识出具有典型非线性特性的焊接过程模型,并采用预测控制算法对焊接过程进行控制.实验证明,支持向量机对非线性系统具有很好的拟合效果,基于支持向量机的预测控制具有较好的非线性控制效果.     

小波支持向量机的网络流量预测研究

研究网络流量准确预测问题,由于网络流量存在混沌性、非线性、自相似性的特点,导致当前预测方法的网络流量预测精度差。为提高网络流量预测精度,提出了小波支持向量机的网络流量预测模型。首先根据混沌动力系统对网络流量时间序列进行相空间重构,然后采用支持向量机对其进行建模,并利用小波核函数提高支持向量机的泛化能力。进行仿真的结果表明,支持向量机方法提高了网络流量的预测精度,减少训练时间,泛化能力更优。仿真结果说明,小波支持向量机具有更强的实用价值。     

基于支持向量机的激光焊接过程的非线性辨识

针对激光焊接过程非线性系统建模困难的问题,研究基于支持向量机的非线性系统回归建模方法.支持向量机由核函数与训练集完全刻画,进一步提高支持向量机性能的关键是针对给定的系统设计恰当的核函数.用改进的核函数,对具有典型非线性特性的焊接过程进行辨识.仿真结果验证了该方法的有效性.     

基于LS-SVM的船舶航向模型预测控制

针对船舶动态性能具有较强的非线性、大惯性及时变性的特点,采用具有RBF核函数的最小二乘支持向量机(LS-SVM),利用其可以任意逼近非线性模型的良好特性实现对船舶模型有效辨识,得到船舶航向控制系统的非线性逼近模型,并将其与模型预测控制方法相结合,将最小二乘支持向量机辨识得到的系统模型作为预测模型,并将系统模型进行线性化并用线性预测控制方法求得解析的控制律,实现对船舶航向的预测控制,达到良好航向保持目的。仿真结果表明,最小二乘支持向量机降低了计算复杂度,且有较快计算速度,在小样本情况下具有良好的泛化能力;基于最小二乘支持向量机的船舶航向预测控制系统对外界干扰及模型参数摄动均具有较好的适应能力以及良好的控制性能。     

基于L S-SVM 的非线性预测控制技术

探讨了利用最小二乘支持向量机(LS—SVM)进行非线性系统辨识的方法，LS—SVM用等式约束代替传统支持向量机中不等式约束，求解过程从解QP问题变成解一组等式方程，将得到的LS—SVM模型应用到非线性预测控制，提出了基于LS—SVM模型的非线性预测控制算法，通过CSTR过程仿真表明，最小二乘支持向量机学习速度快，在小样本情况下具有良好的非线性建模和泛化能力，基于LS—SVM的预测控制算法具有很好的控制性能。     

基于多项式核RVM的非线性模型预测控制

针对非线性、不确定性对象不易建模的特点,提出了基于多项式核关联向量机(RVM)的解析型非线性预测控制方法,该方法采用多项式核RVM进行模型辨识,得到的对象模型作为预测模型。由于RVM具有较好的非线性建模能力,弥补了SVM参数设定难和稀疏性不强等弱点;同时,多项式形式的模型表达式使二次型优化目标函数可以通过函数解析方法求得最优控制输入,即简化了滚动优化模块,增强了控制的实时性。通过对一个标准的非线性Benchmark问题进行仿真实验,结果表明该方法具有良好的控制性能。     

支持向量机应用于大气污染物浓度预测

支持向量机是基于统计学习理论的新一代机器学习技术,其非线性回归预测性能优越于传统统计方法。提出了一种大气污染物浓度预测模型,该方法将支持向量机应用于大气污染物浓度预测,首先对各类影响因子进行分析并进行建模预测;而后利用主成分分析的方法对输入因子降维,从而形成支持向量机的训练样本集;在此基础上建立了基于RBF核函数支持向量回归法的大气污染预模型。大气污染预测实例表明,该方法具有泛化能力强、预测精度高、训练速度快、稳定性好、便于建模等优点,有良好的应用前景。     

支持向量机应用于大气污染物浓度预测

支持向量机是基于统计学习理论的新一代机器学习技术,其非线性回归预测性能优越于传统统计方法。提出了一种大气污染物浓度预测模型,该方法将支持向量机应用于大气污染物浓度预测,首先对各类影响因子进行分析并进行建模预测;而后利用主成分分析的方法对输入因子降维,从而形成支持向量机的训练样本集;在此基础上建立了基于RBF核函数支持向量回归法的大气污染预模型。大气污染预测实例表明,该方法具有泛化能力强、预测精度高、训练速度快、稳定性好、便于建模等优点,有良好的应用前景。     

USING LEAST SQUARE SVM FOR NONLINEAR SYSTEMS MODELING AND CONTROL

Support vector machine is a learning technique based on the structural risk minimization principle, and it is also a class of regression method with good generalization ability. The paper firstly introduces the mathematical model of regression least squares support vector machine (LSSVM), and designs incremental learning algorithms by the calculation formula of block matrix, then uses LSSVM to model nonlinear system, based on which to control nonlinear systems by model predictive method. Simulation experiments indicate that the proposed method provides satisfactory performance, and it achieves superior modeling performance to the conventional method based on neural networks, moreover it achieves well control performance.     

Model Predictive Control for Nonlinear Distributed Parameter Systems based on LS‐SVM

This paper presents a novel model predictive control configuration for nonlinear distributed parameter systems based on least squares support vector machine. First, a data‐based modeling methodology for an unknown nonlinear distributed parameter system is introduced. Subsequently, the model predictive control framework based on the aforementioned model is presented at the measured point. To verify the effectiveness and feasibility of the control arithmetic, simulation results from a tubular reactor with the controller designed by the presented procedure are given.     

基于小波支持向量机的木材干燥控制技术研究

针对木材干燥系统强耦合非线性的特性,提出了一种基于小波最小二乘支持向量机的预测控制方法.讨论了利用小波支持向量机对木材干燥系统进行系统识别的方法,并将辨识模型应用于预测控制算法,实现了木材干燥的自适应控制.仿真结果表明,基于小波支持向量机的预测控制技术具有较好的鲁棒性,对木材干燥系统有很好的实用性.     

压电陶瓷驱动器非线性建模研究

压电陶瓷驱动器电压位移之间的非线性特点严重影响着它的位移控制精度,建立压电陶瓷驱动器非线性模型是纳米级微位移测控中的关键环节.采用支持向量机回归的方法,通过引入核函数和损失函数将非线性回归转化成线性问题并提高回归精度,建立了一种新的压电陶瓷驱动器外环非线性模型,并就模型的准确性与其它建模方法进行了比较.试验证明,所建的基于支持向量回归的压电陶瓷驱动器非线性模型很好的描述了压电陶瓷驱动器外环非线性特点,误差控制在2%以内,并且建模过程简单,准确性高.     

Support vector machine based predictive functional control design for output temperature of coking furnace

A new support vector machine based nonlinear predictive functional control design method has been developed and applied to an industrial coking furnace, which leads to the improvement of regulatory capacity for both reference input tracking and load disturbance rejection compared with traditional PFC and PID control strategies. The nonlinear process is first treated into a linear part plus a nonlinear part, then a convergent overall linear predictive functional control law is designed. The method gives a direct and effective multi-step predicting method and uses linear methods to get the control law which avoids the complicated nonlinear optimization. Comparison results and application to the temperature control of the industrial heavy oil coking furnace are presented in the article showing the efficiency of the method.     

基于LSSVM的木材干燥建模研究

针对木材干燥过程的强非线性特点,提出以最小二乘支持向量机LSSVM建立木材干燥基准模型.通过实验用小型木材干燥窑实际干燥过程中采集的数据作为训练样本进行仿真实验,结果表明基于LSSVM的木材干燥模型预测输出能够准确反映干燥过程木材含水率的变化,模型结构简单、预测精度高、泛化能力强,验证了LSSVM对木材干燥过程建模是一种可行而有效的方法.     

LS-SVM在单通道颜色测温中的应用

针对复杂工业环境中高温难以直接测量的问题,提出一种基于最小二乘支持向量机（LS—SVM）的单通道颜色测温方法。利用高温物体的颜色与温度之间复杂的非线性映射关系,采用绿色单通道图像样本特征值建立LS—SVM回归模型实现颜色测温,并与BP神经网络模型进行比较。仿真结果表明,LS—SVM测温模型具有良好的非线性建模和泛化能力。该方法能够间接得到温度测量值,并且具有较高的预测精度,为高温测量提供一个新的有效手段。     

基于SVM的PVC汽提过程预测控制方法

针对汽提塔温度控制系统的非线性和参数时变的特性,采用支持向量机对汽提塔温度进行建模,结合非线性模型的实时线性化和广义预测控制隐式算法,提出了基于支持向量预测模型的广义预测控制算法.同时将该算法应用到聚氯乙烯汽提生产过程当中,并将模型在线校正和误差反馈校正相结合,根据实际情况进行了多种情况下的仿真,仿真结果表明了方法的有效性.