基于最小二乘支持向量机左右逆协同的无人机解耦控制

针对无人机飞行控制系统存在非线性耦合的问题,提出了一种基于最小二乘支持向量机(LSSVM)的左右逆协同解耦控制方法。该方法根据Interactor算法,通过对无人机系统输出进行微分,构建右逆系统,从而证明其可逆性。由于无人机右逆系统中存在旋翼桨叶总距俯仰角不可直接测量的局限,因而采用基于内含传感器左逆的方法间接测量,然后将其代入右逆系统中,得到左右逆协同控制器。最后利用最小二乘支持向量机建立左右逆协同控制器模型,并将其串联在原系统之前,与积分器共同构成伪线性复合系统实现无人机线性化与解耦。仿真结果显示,该方法对无人机垂直飞行的速度和旋翼桨叶总距俯仰角具有较高的解耦控制性能,对外部扰动具有良好的鲁棒性。     

基于逆系统的非线性自适应逆控制

针对非线性系统自适应逆控制的不完善,本文引入逆系统方法将非线性系统转化为伪线性系统,然后使用最小二乘支持向量机(LS-SVM)建立了逆系统模型,最后利用成熟的线性系统自适应逆控制理论实现非线性系统的自适应逆控制。引入逆系统方法后实现了两大功能:其一,消除了非线性系统的干扰,而且不需要设计逆对象模型:其二,实现了多变量(n维变量)之间的解耦,而且节省了3n(n-1)个线性滤波器的设计。本文针对一个典型多变量二阶系统实现了非线性系统的自适应逆控制,仿真试验表明该方法不但能够很好地消除非线性系统的干扰,而且还实现多变量的解耦控制。     

基于最小二乘支持向量机的发酵过程混合建模

提出了一种综合先验知识与最小二乘支持向量机的发酵过程建模方法，并且采用遗传算法进行最小二乘支持向量机的参数优化选取。该模型应用到一个具体发酵过程状态变量的预估中，仿真结果表明基于最小二乘支持向量机的混合模型具有很高的精度与范化能力，同时也表明了最小二乘支持向量机是软测量建模的一种有效方法。     

两电机同步系统支持向量机广义逆控制

针对非线性强耦合的两电机同步系统,采用支持向量机广义逆与PID相结合的控制方案。首先由支持向量机逼近原系统的广义逆模型,然后与原系统相连接,从而构成复合伪线性系统,使系统解耦线性化。最后引入PID控制来去除建模及动态误差。仿真结果证明,该方法动静态解耦性能优良,同步性及鲁棒稳定性较强。     

基于LS-SVM的非线性系统直接逆模型控制

针对非线性系统逆模型建立难的问题,提出了基于最小二乘支持向量机(LS-SVM)的非线性系统逆模型辨识建模的方法,在此基础上,提出了基于LS-SVM的非线性系统直接逆模型控制的方法。仿真试验结果表明,采用LS-SVM建立的非线性系统逆模型具有很高的建模精度和较强的泛化能力,基于LS-SVM的直接逆模型控制方法的控制效果好,简单易行,从而验证了这两种方法的有效性和先进性。     

基于粒子群优化的VB-LSSVM算法研究辛烷值预测建模

针对现有红外线分析仪表无法实现阶段在线检测车用汽油调合中,MMT抗爆剂对辛烷值的影响问题,考虑到样本数据较少的因素,提出一种基于粒子群优化算法的矢量基最小二乘支持向量机方法,首先以粒子群优化的方法来选取最小二乘支持向量机的模型参数,然后用矢量基判据选择支持向量,使最小二乘支持向量机的解具有稀疏性.该方法不但克服了常用的交叉验证法的耗时与盲目性问题,发挥了最小二乘支持向量机的小样本学习和计算简单的特点,而且提高了最小二乘支持向量机模型的泛化能力,将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的.     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

基于最小二乘法的无电流传感器电压控制方法

以控制传感器电压稳定输出为宗旨,提出基于最小二乘法的无电流传感器电压控制方法,该方法在无须使用电流传感器的情况下,通过最小二乘支持向量机根据传感器输入电压与输出电压之间差值,动态调节占空比,保证传感器的输出电压与输入电压不存在畸变问题,实现无电流传感器稳压控制。为了保证最小二乘支持向量机对传感器电压的控制效果,引入鲸鱼优化算法求解最小二乘支持向量机回归系数与判别阈值的最优值,保证最小二乘支持向量机对电压的动态控制性能最优。研究结果显示：该方法控制下,多种工况下无电流传感器的电压与电流都可实现稳压、均流控制,验证了该方法的有效性与控制性。     

核极化的多核LSSVM及其在分类中的应用

为了解决最小二乘支持向量机对于选择核函数盲目性的问题,将核度量标准核极化和多核学习引入最小二乘支持向量机中,提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数,再根据多核学习原理组合多核函数,然后,建立多核最小二乘支持向量机模型,并进行模型的学习训练和预测。UCI数据上的试验结果表明,所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。     

基于最小二乘支持向量机的PID参数整定研究

对PID控制提出了一种基于支持向量机的参数整定方法.用支持向量机辨识系统的非线性关系,并对之进行线性化.采用最小二乘的方法获取PID控制器的最优参数.通过对典型非线性系统的仿真,验证了该方法的有效性和可行性.     

基于MI-LSSVM的水泥生料细度软测量建模

针对水泥生料细度软测量模型难以建立的问题,考虑到输入变量选择易受时延的影响,提出一种基于互信息和最小二乘支持向量机(MI-LSSVM)的软测量建模方法。该方法采用互信息表征变量间的相关性,进而解决水泥生料细度软测量建模中的时延问题,并在此基础之上,提出双向选择算法获取输入变量,将得到的输入变量应用于最小二乘支持向量机中,建立水泥生料细度软测量模型,最后应用水泥厂的实际数据对基于互信息和最小二乘支持向量机的水泥生料细度软测量模型进行仿真。结果表明该方法预测精度高、泛化能力强。     

基于PSO-LSSVM的网络化制造系统安全检测

为了解决传统网络化制造系统安全检测技术检测精度低的难题,提出基于粒子群优化最小二乘支持向量机(PSO.LSSVM)的网络化制造系统安全检测方法.首先,确定网络化制造系统安全检测特征,并对特征进行预处理.然后,建立基于粒子群优化最小二乘支持向量机的网络化制造系统安全检测模型.最后,通过实例证明该方法的有效性及优越性.分别采用人工神经网络、支持向量机与PSO-LSSVM方法进行对比分析,实验结果表明,PSO-LSSVM对网络化制造系统的安全检测性能优于神经网络与支持向量机的安全检测性能.     

基于支持向量机的再热汽温逆模型控制

为提高再热汽温的控制品质,本文提出了基于支持向量机的逆模型控制方法。采用支持向量机进行系统模型及逆控制器模型的建立,并对再热汽温系统进行仿真研究。结果表明,支持向量机具有较高的建模精度及较强的泛化性能,与常规PID控制进行比较,基于支持向量机的逆模型控制表现出良好的控制性能。     

发动机磨损状态的改进LS—SVM监控研究

介绍最小二乘支持向量机对航空发动机滑油系统铁元素浓度的变化趋势进行预测;并采用遗传算法对最小二乘支持向量机的参数进行优化。通过与时间序列分析的预测结果相比较,仿真实验结果表明：得到的最小二乘支持向量机的预测精度高,具有很好的泛化能力和学习能力。     

一种基于LS-SVM与PID复合的逆控制系统

针对逆系统中非线性逆模型辨识困难的问题,研究了基于最小二乘支持向量机(LS-SVM)的逆模型辨识及控制,并用微粒子群算法(PSO)优化LS-SVM的参数和核函数参数。提出了一种由LS-SVM的逆模型与PID结合的复合控制系统,由LS-SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制。同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷。仿真研究结果表明LS-SVM的逆模型辨识能力强,该复合控制系统具有比基于最近邻聚类的RBF神经网络逆控制系统更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

最小二乘支向量机在焊缝跟踪中的应用

为了克服传统焊缝跟踪方法精度低等问题,采用最小二乘支持向量回归机( LSSVM)进行焊缝跟踪.最小二乘支持向量机通过构造回归函数解决焊缝跟踪问题.与支持向量机不同的是,最小二乘支持向量机通过构造一个新二次损失函数,将支持向量回归机的二次规划问题转变为求解线性方程,从而改进了原支持向量机的跟踪精度.为验证所设计控制器的有效性,进行了焊缝的跟踪实验,并设计了实验条件;实验结果表明基于LSSVM的焊缝跟踪误差小于径向基(RBF)神经网络,可见采用LSSVM的控制更能够适应实际焊接过程的变化.     

基于最小二乘支持向量机的三角网格修补算法

为实现点云数据孔洞区域的修补,提出了一种基于最小二乘支持向量机的三角网格曲面孔洞修补算法。首先检测出孔洞,采集孔洞边界周围的三角片顶点作为学习样本训练最小二乘支持向量机模型;然后对孔洞多边形进行平面填充,获得新增三角片的顶点,并用已训练好的最小二乘支持向量机模型将其优化,最终实现孔洞的修补。实验结果表明,该方法的精度和处理速度优于人工神经网络,具有一定的实用性,为孔洞修补研究提供了一种新思路。     

基于改进LSSVM算法的数控机床热误差建模研究

为了提高数控机床热误差的预测精度,提出了基于改进最小二乘支持向量机和预测误差校正相结合的方法。首先引入提升小波分解原始数据克服数控机床误差的耦合性;然后采用最小二乘支持向量机对分解后的信号做预测,接着用误差校正方式修正预测结果;最后通过实验数据对比分析得到,基于提升小波的最小二乘支持向量机(LWT-LSSVM)法比最小二乘支持向量机(LSSVM)法的建模预测精度高8.51%,证明此建模方法有效可行。     

改进递推最小二乘支持向量机及在过程建模中的应用

针对流程工业存在多变量、非线性和数据动态性等问题,提出一种改进递推最小二乘支持向量机。该算法首先利用K均值算法(Kmeans)将训练样本分类,然后针对各聚类用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)对最小二乘支持向量机参数进行优化,以避免人为选择最小二乘支持向量机参数的盲目性,最后在各聚类基础上建立相应在线递推最小二乘支持向量机模型。在加氢裂化反应过程蒸馏塔航煤干点的软测量建模研究中,表明所提出算法的有效性和优越性。     

基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。