基于LS-SVM飞机大迎角动态辨识方法研究

确定飞机在大迎角飞行状态时的动态系统参考模型,对于支持飞机控制系统的稳定性和控制增稳设计有着重要的影响。为了精确描述飞机大迎角机动非定常、非线性数学模型,提出利用最小二乘支持向量机(LS-SVM)对飞机大迎角状态飞行时的非线性动态系统进行辨识,利用网络搜索和交叉验证的方法选择支持向量机参数,并建立了飞机大迎角动力学参考模型,仿真验证显示方法具有较强的泛化能力和较高的辨识效果。     

基于改进的LSSVM辨识动态非线性时变系统

针对非线性时变系统难以辨识的问题,提出了一种基于改进最小二乘支持向量机的辨识新方法。该方法在加权最小二乘支持向量机的基础上,引入用矢量基学习和自适应迭代相结合的方式得到一个小的支持向量,同时采用加权方法确定权值系数以减小训练样本中非高斯噪声的影响。通过对动态非线性时变系统的仿真,结果表明该算法具有较好的鲁棒性、支持向量稀疏性和动态建模实时性。     

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。     

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．     

一种贝叶斯证据框架下支持向量机建模方法的研究

研究贝叶斯证据框架下标准支持向量机和最小二乘支持向量机的估计算法和建模方法，给出一种高斯桉支持向量机估计算法的参数选择和调整方法，将贝叶斯证据框架下支持向量机的建模方法应用于非线性系统的辨识，仿真结果表明，该方法对于工业过程建模是十分有效的。     

用SVM和LS-SVM分析变压器故障诊断

介绍并比较了支持向量机分类器和最小二乘支持向量机分类器的算法,提出了基于支持向量机的二叉树多分类变压器故障诊断模型.将标准支持向量机(C-SVM)分类器和最小二乘支持向量机(LS-SVM)分类器分别用于变压器故障诊断,通过网格搜索和交叉验证法取得支持向量机的参数,准确率较高.试验结果表明,支持向量机和最小二乘支持向量机在变压器故障诊断中具有很大的应用潜力.     

非线性系统模糊神经网络控制的改进策略

针对以模糊神经网络自适应方法为核心的不确定非线性系统控制问题, 以常规静态模糊神经网络控制结构为基础, 分别就控制器、辨识器及优化算法3个方面展开改进研究. 以一种改进结构的动态PID型模糊神经网络为控制器, 最小二乘支持向量机为辨识器构成控制系统. 利用带混沌搜索的量子粒子群算法离线优化结合在线误差反传微调的寻优策略优化控制器参数, 带混沌扰动的粒子群离线优化支持向量机的核参数, 并通过对系统稳定性的讨 论将改进的控制系统逐步完善. 对某热交换对象模型的数值仿真验证了该改进方法的可行性和有效性.     

基于最小二乘支持向量机的T-S模型在线辨识

提出一种基于时间窗最小二乘支持向量机的T-S模型在线辨识算法，包括结构辨识和参数辨识．该算法以时间窗内数据的势能作为结构辨识依据，同时采用最小二乘支持向量机辨识系统参数：具有辨识速度快、精度高的特点．仿真结果证明了算法的有效性．     

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.     

基于支持向量机的非线性离散动力学系统控制

提出了一种用支持向量机辨识系统状态空间模型的非线性离散动力学系统控制新方法. 在本方法中, 采用最小二乘支持向量机在每一个工作点辨识非线性系统的局部最优线性化模型. 针对该模型, 采用常规的线性控制方法在每个工作点设计局部线性控制器, 并在整个控制任务的每个工作点重复此设计过程.用该方法对两个典型的非线性离散系统采用极点配置技术进行了仿真验证, 结果显示系统对参考输入具有满意的跟踪性能, 证明该方法是有效和可行的.     

Benchmarking Least Squares Support Vector Machine Classifiers

In Support Vector Machines (SVMs), the solution of the classification problem is characterized by a (convex) quadratic programming (QP) problem. In a modified version of SVMs, called Least Squares SVM classifiers (LS-SVMs), a least squares cost function is proposed so as to obtain a linear set of equations in the dual space. While the SVM classifier has a large margin interpretation, the LS-SVM formulation is related in this paper to a ridge regression approach for classification with binary targets and to Fisher's linear discriminant analysis in the feature space. Multiclass categorization problems are represented by a set of binary classifiers using different output coding schemes. While regularization is used to control the effective number of parameters of the LS-SVM classifier, the sparseness property of SVMs is lost due to the choice of the 2-norm. Sparseness can be imposed in a second stage by gradually pruning the support value spectrum and optimizing the hyperparameters during the sparse approximation procedure. In this paper, twenty public domain benchmark datasets are used to evaluate the test set performance of LS-SVM classifiers with linear, polynomial and radial basis function (RBF) kernels. Both the SVM and LS-SVM classifier with RBF kernel in combination with standard cross-validation procedures for hyperparameter selection achieve comparable test set performances. These SVM and LS-SVM performances are consistently very good when compared to a variety of methods described in the literature including decision tree based algorithms, statistical algorithms and instance based learning methods. We show on ten UCI datasets that the LS-SVM sparse approximation procedure can be successfully applied.     

Least squares support vector machines with tuning based on chaotic differential evolution approach applied to the identification of a thermal process

In the past decade, support vector machines (SVMs) have gained the attention of many researchers. SVMs are non-parametric supervised learning schemes that rely on statistical learning theory which enables learning machines to generalize well to unseen data. SVMs refer to kernel-based methods that have been introduced as a robust approach to classification and regression problems, lately has handled nonlinear identification problems, the so called support vector regression. In SVMs designs for nonlinear identification, a nonlinear model is represented by an expansion in terms of nonlinear mappings of the model input. The nonlinear mappings define a feature space, which may have infinite dimension. In this context, a relevant identification approach is the least squares support vector machines (LS-SVMs). Compared to the other identification method, LS-SVMs possess prominent advantages: its generalization performance (i.e. error rates on test sets) either matches or is significantly better than that of the competing methods, and more importantly, the performance does not depend on the dimensionality of the input data. Consider a constrained optimization problem of quadratic programing with a regularized cost function, the training process of LS-SVM involves the selection of kernel parameters and the regularization parameter of the objective function. A good choice of these parameters is crucial for the performance of the estimator. In this paper, the LS-SVMs design proposed is the combination of LS-SVM and a new chaotic differential evolution optimization approach based on Ikeda map (CDEK). The CDEK is adopted in tuning of regularization parameter and the radial basis function bandwith. Simulations using LS-SVMs on NARX (Nonlinear AutoRegressive with eXogenous inputs) for the identification of a thermal process show the effectiveness and practicality of the proposed CDEK algorithm when compared with the classical DE approach.     

基于PSO与LS—SVM的飞机总体设计的综合论证

研究小样本数据对飞机武器系统的设计和改型方案是航空系统工程的重要内容。针对提高设计的进度和质量问题,利用粒子群优化算法的群体智能优化理论与最小二乘回归支持向量机的回归思想,提出了一种基于粒子群算法与最小二乘回归支持向量机的飞机设计综合智能论证模型。提出应用粒子群算法对支持向量机核函数参数进行寻优,再利用优化的核函数参数支持向量机回归模型,建立映射模型来对飞机的作战效能进行预测。仿真实例验证了方法的适用性和结果的可靠性。     

基于PSO和LSSVM温度控制器的设计

利用离子群优化（PSO）算法的全局搜索功能和最小二乘支持向量机（LSSVM）泛化能力强、运算速度快的特点,设计了一种温度控制器。通过LSSVM 对输入输出数据的训练学习,建立其预测模型;然后运用粒子群算法完成控制过程的滚动优化。该方法克服了PID控制中存在的控制精度不高、抗干扰能力差以及实时性不好的缺点。通过对连续槽式搅拌反应器（CSTR）温度控制的实际应用,证明了该方法的有效性。     

一种新型的多元分类支持向量机

最小二乘支持向量机采用最小二乘线性系统代替传统的支持向量机采用二次规划方法解决模式识别问题。该文详细推理和分析了二元分类最小二乘支持向量机算法，构建了多元分类最小二乘支持向量机，并通过典型样本进行测试，结果表明采用多元分类最小二乘支持向量机进行模式识别是有效、可行的。     

贝叶斯框架下的LSSVM和贝叶斯网络及其应用

贝叶斯理论能够利用样本信息和先验知识,简化预测模型,优化参数.主要介绍了贝叶斯框架下的最小二乘支持向量机算法和贝叶斯正则化神经网络,贝叶斯框架下的最小二乘支持向量机能确定正则化参数和核参数,贝叶斯正则化网络能够自适应的调整网络的复杂度和网络的隐节点个数.以轻柴油的凝点、闪点、95%馏出温度3个关键指标输出为例分别建立了这两种预测模型,并且对结果进行了比较,仿真结果表明贝叶斯框架下的最小二乘支持向量机比贝叶斯正则化网络有更强的泛化能力,而且程序运行速度快,运算精度高.     

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.     

基于在线最小二乘支持向量机的广义预测控制

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.