共查询到18条相似文献,搜索用时 203 毫秒
1.
针对化工过程存在的强非线性生产过程,提出了基于支持向量机技术预测模型的预测函数控制方法。利用支持向量回归的方法对非线性过程进行建模,采用预测函数控制方法进行控制。针对具有强非线性连续搅拌反应釜过程进行仿真,仿真结果表明:支持向量机的建模方法可以有效地解决强非线性的化工过程的建模问题,并且具有较好的泛化能力,基于这种预测模型的预测函数控制具有较好的控制性能和良好的跟踪能力及抗干扰能力。 相似文献
2.
3.
针对非线性模型预测控制中离线模型难以适应非线性对象实时变化的缺点, 提出一种基于在线支持向量回归的非线性模型预测控制方法. 该方法通过在线支持向量回归离线训练与在线学习相结合的方式, 建立具有在线校正特性的预测模型, 同时采用最速下降原理滚动优化非线性模型预测控制的目标函数, 求得多步控制量. 通过对非线性对象的控制结果表明, 所提出方法有效且具有良好的自适应性.
相似文献4.
参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中. 相似文献
5.
6.
7.
网络流量受众多因素的影响并且具有复杂的非线性特点,因此网络流量的预测和分析是一个很复杂的问题,最小二乘支持向量机能够成功地解决非线性问题并应用于网络流量的预测和分析.提出一种最小二乘支持向量机模型,将自适应遗传算法用于最小二乘支持向量机参数寻优,并将该模型用于网络流量的预测和分析.对比实验表明,基于最小二乘支持向量机的网络预测模型具有更强的预测能力,在网络流量预测中有一定的实用价值.经实例验证,该模型预测精度高. 相似文献
8.
针对工业过程中普遍存在的非线性被控对象,提出了一种基于支持向量机(SVM)逆系统的广义预测控制算法。该方法根据广义预测控制基于预测模型的特点,将基于支持向量机系统辨识的方法应用于逆系统构建和广义预测控制。该方法利用SVM强大的非线性映射能力离线辨识被控非线性系统的α阶逆模型,并将辨识出的逆模型连接在原被控统之前形成一个α阶纯延时伪线性系统。然后采用广义预测控制(GPC)算法实现对构造出的伪线性系统的预测控制。仿真实验表明了该算法的有效性和优越性。 相似文献
9.
在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中... 相似文献
10.
针对传统的广义预测控制(GPC)算法必须有精确的数学模型,计算量很大,不适合实时性要求高的系统。网络控制系统在复杂的工业控制领域应用中,受网络时延的影响,导致了控制系统性能的下降甚至不稳定,给控制系统的分析和设计带来诸多问题。该文采用基于支持向量机的广义预测控制方法,将支持向量机作为预测模型,对控制对象模型进行预测,再加之广义预测控制算法和队列机制提出不基于对象模型且实时性高的广义预测控制快速算法,并且设计了支持向量机非线性建模和非线性广义预测控制队列机制算法,并相应做出了仿真。最后的仿真结果表明基于广义预测控制算法的网络控制系统具有良好的控制效果和稳定性。 相似文献
11.
12.
针对非线性多入多出(MIMO)系统,提出一种基于最小二乘支持向量机(LSSVM)和混沌优化的预测
控制策略.预测模型是预测控制的三要素之一.本文给出了基于混沌优化的Chaos-LSSVM 算法,在可行域内反复搜
索,从而得到最优的LSSVM 算法参数,以及最优的LSSVM 模型.在线优化是另一个要素.提出了基于变尺度混沌
优化的MSC-MPC(变尺度混沌-模型预测控制)算法,可根据控制误差的大小,决定是否缩小搜索范围,从而迅速
收敛到最优解.该算法计算简单,容易实现,避免了同类方法复杂的求导、求逆运算.仿真结果显示:Chaos-LSSVM
算法和MSC-MPC 算法分别具有良好的建模、控制性能. 相似文献
13.
14.
基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法 总被引:11,自引:3,他引:8
对于非线性系统预测控制问题, 本文提出了一种基于模型学习和粒子群优化(PSO)的单步预测控制算法.该方法使用最小二乘支持向量机(LS-SVM)建立非线性系统模型并预测系统的输出值, 通过输出反馈和偏差校正减少预测误差, 由PSO滚动优化获得非线性系统的控制量. 该方法能在非线性系统数学模型未知的情况下设计出有效的预测控制器. 通过对单变量多变量非线性系统进行仿真, 证明了该预测控制方法是有效的, 且具有良好的自适应能力和鲁棒性. 相似文献
15.
基于在线最小二乘支持向量机的广义预测控制 总被引:5,自引:0,他引:5
This paper proposes a practical generalized predictive control(GPC)algorithm based on online least squares support vector machines(LS-SVM)which can deal with nonlinear systems effectively.At each sampling period the algorithm recursively modifies the model by adding a new data pair and deleting the least important one out of the consideration on realtime property.The data pair deleted is determined by the absolute value of lagrange multiplier from last sampling period.The paper gives the recursive algorithm of model parameters when adding a new data pair and deleting an existent one,respectively,and thus the inversion of a large matrix is avoided and the memory can be controlled by the algorithm entirely.The nonlinear LS-SVM model is applied in GPC algorithm at each sampling period.The experiments of generalized predictive control on pH neutralizing process show the effectiveness and practicality of the proposed algorithm. 相似文献
16.
Nonlinear model predictive control with relevance vector regression and particle swarm optimization 总被引:1,自引:0,他引:1
In this paper, a nonlinear model predictive control strategy which utilizes a probabilistic sparse kernel learning technique called relevance vector regression (RVR) and particle swarm optimization with controllable random exploration velocity (PSO-CREV) is applied to a catalytic continuous stirred tank reactor (CSTR) process. An accurate reliable nonlinear model is first identified by RVR with a radial basis function (RBF) kernel and then the optimization of control sequence is speeded up by PSO-CREV. Additional stochastic behavior in PSO-CREV is omitted for faster convergence of nonlinear optimization. An improved system performance is guaranteed by an accurate sparse predictive model and an efficient and fast optimization algorithm. To compare the performance, model predictive control (MPC) using a deterministic sparse kernel learning technique called Least squares support vector machines (LS-SVM) regression is done on a CSTR. Relevance vector regression shows improved tracking performance with very less computation time which is much essential for real time control. 相似文献
17.
Ye San 《Asian journal of control》2013,15(5):1407-1416
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. 相似文献