一类非线性系统基于最小二乘支持向量机的自适应H∞控制

提出一类非线性不确定系统基于最小二乘支持向量机的白适应H∞控制方法．该方法基于最小二乘支持向量机估计对象的未知非线性函数,并给出了最小二乘支持向量机权向量和偏移值的在线学习规则．引入H∞控制器用于减弱外部干扰及最小二乘支持向量机近似误差对输出误差的影响．利用李亚普诺夫理论证明了整个闭环系统一致最终有界稳定．仿真结果表明了该方法的有效性．     

基于LS-SVM的小样本费用智能预测

最小二乘支持向量机引入最小二乘线性系统到支持向量机中,代替传统的支持向量机采用二次规划方法解决函数估计问题。该文推导了用于函数估计的最小二乘支持向量机算法,构建了基于最小二乘支持向量机的智能预测模型,并对机载电子设备费用预测进行了研究。结果表明最小二乘支持向量机具有比多元对数回归更高的小样本费用预测精度。     

基于最小二乘支持向量机的一类非自治系统自适应控制

提出了一种基于最小二乘支持向量机(LS-SVM)的一类不确定非自治系统自适应控制器设计方法.该方法基于最小二乘支持向量机来估计对象的部分未知非线性项,并给出了最小二乘支持向量机权向量和偏移值的在线学习规则.利用李亚普诺夫理论严格证明了整个闭环系统的跟踪误差、控制器参数以及最小二乘支持向量机权参数和偏移值的一致最终有界.此控制方法可以保证对象在线稳定地跟踪任何光滑的目标轨迹,仿真结果表明了此控制方法的可行性和有效性.     

一种改进的在线最小二乘支持向量机回归算法

针对一般最小二乘支持向量机处理大规模数据集会出现训练速度幔、计算量大、不易在线训练的缺点,将修正后的遗忘因子矩形窗方法与支持向量机相结合,提出一种基于改进的遗忘因子矩形窗算法的在线最小二乘支持向量机回归算法,既突出了当前窗口数据的作用,又考虑了历史数据的影响.所提出的算法可减少计算量,提高在线辨识精度.仿真算例表明了该方法的有效性.     

一种基于Cholesky分解的动态无偏LS-SVM学习算法

针对最小二乘支持向量机用于在线建模时存在的计算复杂性问题,提出一种动态无偏最小二乘支持向量回归模型.该模型通过改进标准最小二乘支持向量机结构风险的形式消除了偏置项.得到了无偏的最小二乘支持向量机,简化了回归系数的求解.根据模型动态变化过程中核函数矩阵的特点,设计了基于Cholesky分解的在线学习算法.该算法能充分利用历史训练结果,减少计算复杂性.仿真实验表明了所提出模型的有效性.     

变速风力发电机故障观测器的设计和应用

针对模型包含未知非线性函数的变速风力发电机故障诊断问题,采用反卷法和最小二乘支持向量机对未知非线性函数进行辨识,将辨识结果作为补偿项加入比例高阶积分观测器中,消除未知非线性项对故障诊断精度的影响,建立了基于最小二乘支持向量机非线性项辩识模型的比例高阶积分故障观测器。李雅普诺夫函数证明该故障观测器的稳定性,仿真实验表明该故障观测器可以准确、快速、有效地诊断变速风力发电机故障。     

基于LS-SVM的非线性系统自适应输出反馈控制

针对状态不可测的单输入单输出非线性不确定系统,提出一种基于最小二乘支持向量机(LS-SVM)的直接自适应输出反馈控制方法.该方法首先设计一种误差观测器,间接地估计出系统的状态,然后采用最小二乘支持向量机构造自适应控制器,控制器参数的在线调整规律由李亚普诺夫稳定性理论导出.文中严格证明了闭环系统的渐近稳定性,仿真研究表明了此控制方法的可行性和有效性.     

基于OS-LSSVM的电子装备在线故障预测模型研究

支持向量机是一种针对小样本、非线性对象的故障诊断与预测方法;为了适应装备对排除故障快速性和在线性的要求,提出了利用在线稀疏最小二乘支持向量机回归算法的基本原理,建立针对于电子装备的在线预测模型;通过Matlab技术仿真实现了对某型无人机陀螺仪电源伏值状态趋势的在线预测和故障预报,并通过对比验证了该预测模型在确保准确性的前提下有效提高了预测的快速性和实时性;最终证明基于在线稀疏最小二乘支持向量机的在线预测模型在解决该问题上具有良好的应用价值。     

基于支持向量机的大样本回归算法比较研究

支持向量机的研究是当前人工智能领域的研究热点。基于支持向量机的大样本回归问题一直是一个非常具有挑战性的课题。最近,基于递归最小二乘算法,Engel等人提出了核递归最小二乘算法。文中基于块增量学习和逆学习过程,提出了自适应迭代回归算法。为了说明两种方法的性能,论文在训练速度、精度和支持向量数量等方面,对它们做了比较。模拟结果表明:核递归最小二乘算法所得到的支持向量个数比自适应迭代回归算法少,而训练时间比自适应迭代回归算法的训练时间长,训练和测试精度也比自适应迭代回归算法差。     

基于最小二乘支持向量机的非线性系统鲁棒自适应跟踪控制

提出了一种基于最小二乘支持向量机的非线性系统鲁棒自适应跟踪控制方法. 该方法通过最小二乘支 持向量机在线修正由于建模误差、不确定因素等引起的非线性系统逆误差,使得系统输出可以准确跟踪参考模型输 出. 最小二乘支持向量机的参数调整规律由李亚普诺夫稳定性理论导出. 文中证明了非线性系统的稳定性,仿真结果 证明了该方法的有效性.     

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.     

三轴稳定卫星姿态控制周期的仿真研究

针对三轴稳定卫星的姿态控制系统,在离散事件仿真器OMNeT 的基础上,建立了以陀螺、星敏感器为敏感器,以反作用飞轮为执行机构的三轴稳定卫星的闭环控制系统.对于卫星姿态控制系统中控制周期的选取作了初步的分析,最后采用双矢量定姿算法和PID控制算法,设定多种控制周期,对该卫星在对地定向模式下的控制精度进行了仿真,仿真结果清楚的显示了控制周期对姿态控制精度的影响.     

一种实用的火电厂飞灰含碳量软测量建模方法

提出了同时利用自适应加权融合和最小二乘支持向量机建模的实用新方法。首先,给出了基于小波的自适应加权融合和最小二乘支持向量机算法;其次,将BP神经网络、最小二乘支持向量机和基于小波的自适应加权融合的最小二乘支持向量机算法进行建模精度比较;最后,采用真实火电厂飞灰含碳量数据进行模型验证与预测,仿真结果表明基于小波的自适应加权融合的最小二乘支持向量机算法具有较好的建模精度和实用性。     

基于Fuzzy ART聚类的卫星在轨姿态监测系统设计

针对传统卫星在轨姿态监测系统无法确定在轨姿态向量与正常向量匹配度,导致姿态角度监测结果不精准的问题,提出基于Fuzzy ART聚类的卫星在轨姿态监测系统设计;系统硬件根据GPS解算方位角和俯仰角,隔离载体扰动;使用MSP430数字/模拟信号转换器,统一CPU指令和寻址模式;使用AS5145B磁角位置编码器输出脉冲信号;通过双轴磁传感器HMC6352的电磁罗盘电路得出卫星在轨姿态大致方向;软件部分利用Fuzzy ART聚类卫星在轨姿态监测数据,确定聚类中心,判定卫星在轨姿态向量与正常向量匹配度,根据匹配结果,开辟新的记忆节点,给出报警信息,完成姿态监测;实验结果表明,所设计系统在轨道圈数为1圈时施加控制力矩,能够迅速使姿态达到稳定;轨道圈数为2圈时,z轴方向的俯仰角与实际三维角度相差1°,表明该系统对卫星在轨姿态监测准确率较高.     

多输入多输出非线性系统的最小二乘支持向量机广义逆控制

针对神经网络逆控制存在的不足, 对一类模型未知且某些状态量较难测得的多输入多输出(MIMO)非线性系统, 在状态软测量函数存在的前提下, 提出一种最小二乘支持向量机(LSSVM)广义逆辨识控制策略. 通过广义逆将原被控系统转化为伪线性复合系统, 并可使其极点任意配置, 采用LSSVM代替神经网络拟合广义逆系统中的静态非线性映射. 将系统的状态量辨识与LSSVM逆模型辨识结合, 通过LSSVM训练拟合同时实现软测量功能. 最后以双电机变频调速系统为对象, 采用该控制策略进行仿真研究, 结果验证了本文算法的有效性.     

稀疏最小二乘支持向量机及其应用研究

提出一种构造稀疏化最小二乘支持向量机的方法．该方法首先通过斯密特正交化法对核矩阵进 行简约,得到核矩阵的基向量组;再利用核偏最小二乘方法对最小二乘支持向量机进行回归计算,从而使最 小二乘向量机具有一定稀疏性．基于稀疏最小二乘向量机建立了非线性动态预测模型,对铜转炉造渣期吹炼 时间进行滚动预测．仿真结果表明,基于核偏最小二乘辨识的稀疏最小二乘支持向量机具有计算效率高、预 测精度好的特点．     

最小二乘支持向量机用于水量预测

针对标准支持向量机建模时间长的缺点,为了城市用水量准确预测,需建立有效的预测模型.采用的最小二乘支持向量机基于结构风险最小化,并在支持向量机的基础上,将求解二次规划问题转化线性方程组,采用径向基核函数,使最小二乘支持向量机模型的待定参数比标准支持向量机少,可大大加快建模速度,同时还采用了人工免疫系统的自适应动态克隆选择算法,在寻优过程中能够准确、快速地搜索最小二乘支持向量机的最优参数.把上述模型用于城市日用水量预测,具有学习速度快.也具有良好的非线性建模和泛化能力,而且预测精度较高.     

基于信息融合的火电厂飞灰含碳量的软测量建模实验室

提出了利用信息融合与软测量技术对火电厂飞灰含碳量测量进行建模的新算法．首先给出了自适应加 权融合和最小二乘支持向量机（LSSVM）算法,其次对三个非线性测试函数分别运用BP 神经网络、LSSVM 和基于 自适应加权融合的LSSVM 算法进行建模并比较了精度,最后给出了基于自适应加权融合的LSSVM 在火电厂飞灰 含碳量建模中应用的结果．     

基于LLSSVM的MUH高度信息融合技术的研究

应用基于局部最小二乘支持向量机(LLSSVM)的多传感器融合技术实现了高度信息融合技术的研究。针对无法精确测量的微小型无人直升机(MUH)飞行高度问题,用LLSSVM建立了以数据驱动的黑箱模型,并用该多传感器信息融合模型对高度信息进行预测。将基于LSSVM和LLSSVM模型的仿真结果进行对比,结果表明后者效果明显优于前者,说明基于LLSSVM的信息融合模型更为合理有效,解决了LSSVM模型的预测延迟和误差积累放大的问题。     

Optimal Locality Regularized Least Squares Support Vector Machine via Alternating Optimization

The least squares support vector machine (LSSVM), like standard support vector machine (SVM) which is based on structural risk minimization, can be obtained by solving a simpler optimization problem than that in SVM. However, local structure information of data samples, especially intrinsic manifold structure, is not taken full consideration in LSSVM. To address this problem and inspired by manifold learning technique, we propose a novel iterative least squares classifier, coined optimal locality preserving least squares support vector machine (OLP-LSSVM). The idea is to combine structural risk minimization and locality preserving criterion in a unified framework to take advantage of the manifold structure of data samples to enhance LSSVM. Furthermore, inspired by the recent development of simultaneous optimization technique, adjacent graph of locality preserving criterion is optimized simultaneously to give rise to improved discriminative performance. The resulting model can be solved by alternating optimization method. The experimental results on several publicly available benchmark data sets show the feasibility and effectiveness of the proposed method.