基于多嵌入维数的时用水量LSSVM组合预测

为解决供水系统调度所需混沌时用水量高精度预测等问题,将最小二乘支持向量机(LSSVM)组合预测模型应用到城市时用水量预测中。在分析不同嵌入维数和预测方法对模型预测精度影响程度的基础上,提出了基于多嵌入维数的LSSVM组合预测模型。采用互信息法和G-P方法求取多个嵌入维数,并建立了不同相空间模型,通过LSSVM算法对上述多个预测模型进行了组合预测,既综合了各不同嵌入维数各预测方法下的信息,又对单一模型下的预测偏差进行了融合,以有效地提高预测精度;最后在某地进行了时用水量序列的仿真实验。研究结果表明,该模型预测精度平均误差小于2%,明显优于各单一模型的预测结果,证实了该组合模型的有效性和实用性。     

混沌系统的改进多变量广义预测控制研究

提出了一种改进的自适应多变量广义预测控制算法(β-MGPC),可实现输入输出维数不等时的混沌控制,用一个控制信号可将多变量混沌系统引导到指定的平衡点,仿真结果表明了该算法的有效性.这种方法的优点在于无需求解丢番图方程,减少了控制算法的计算量.     

混沌系统的改进多变量广义预测控制研究

提出了一种改进的自适应多变量广义预测控制算法(β-MGPC),可实现输入输出维数不等时的混沌控制,用一个控制信号可将多变量混沌系统引导到指定的平衡点,仿真结果表明了该算法的有效性.这种方法的优点在于无需求解丢番图方程,减少了控制算法的计算量.     

基于广义预测控制的智能岩石试验机研究

岩石强度实验控制过程复杂,试验机PID参数调节费时费力,为此提出一种智能控制策略,将广义预测控制(GPC)应用到岩石压力试验机中。GPC使用遗忘因子最小二乘法对被控对象在线辨识,自适应不同种类岩石、不同加载阶段和不同实验环境的变化,通过模型多步预测和二次型性能指标滚动优化规避PID参数复杂的调节过程。实验证明,GPC控制试验机恒速率加载时,系统输出响应迅速,跟随性好,无稳态误差,使用GPC控制策略的智能岩石试验机可以满足岩石变形实验的加载需求,具有良好的工程推广价值。     

基于改进粒子群算法的隐式广义预测控制

针对大多数工业系统的控制输入输出都存在约束的情况,提出一种基于改进粒子群算法的隐式广义预测控制算法(IGPC)。粒子群算法(PSO)是一种基于群体的智能优化算法,解决受约束的优化问题具有精度高、收敛速度快等优点;为了避免粒子群算法陷入早熟,提高精度,引入细菌觅食算法中的自适应迁徙机制。在隐式广义预测控制的滚动优化环节引入改进粒子群算法,弥补了传统GPC在处理受约束控制问题上的缺陷。仿真结果表明了该方法的有效性和良好的控制性能。     

基于LSSVM的木材干燥在线建模研究

介绍了最小二乘支持向量机(LSSVM)回归原理,针对木材干燥系统的强耦合、强非线性等特点,提出以LSSVM方法建立木材干燥系统在线模型.模型以干燥实验获取的减速干燥阶段数据为样本,根据实际预测控制需要,建立木材干燥系统的在线预测模型,并进行在线预测.仿真结果表明,基于LSSVM的木材干燥在线模型能够实时反映系统当前状态,在线更新训练样本,滚动优化模型结构并预测系统下一步输出,模型结构简单,泛化能力强,预测精度高,能够满足实际干燥控制的需要.     

一种隐式广义预测自校正控制算法及仿真研究

广义预测控制是一种新型的远程预测控制方法,它集多种算法的优点为一体,具有较强的鲁棒性。采用不辨识对象模型参数的隐式算法,更是大大减少了计算工作量,节省了时间。该文介绍了一种隐式广义预测自校正控制算法且对其进行仿真研究,分析仿真结果,总结参数变化对整个系统性能的影响,结果说明了该算法的优越性和可行性。     

一种隐式广义预测控制方法在热工系统中的应用

针对热工对象具有的大迟延、大惯性等特性,使用一种隐式广义预测控制方法进行控制;该算法不辨识对象模型参数,根据输入输出数据直接辨识求取最优控制律中的参数,是一种自校正算法。仿真结果表明该算法控制效果良好,并且对模型变化具有较强的鲁棒性;基于该算法的控制动作和输出在启动时易超限。可先测出对象的单位阶跃响应作为递推最小二乘估计的初始参数,仿真结果表明其有效性。     

CMP过程多变量免疫预测R2R控制方法

为了解决多输入多输出和产品质量不易在线测量的化学机械研磨(chemical mechanical polishing,CMP)过程R2R(run-to-run)控制的难题,提出了一种基于贝叶斯最小二乘支持向量机(Bayes least squares support vector machine,BLS-SVM)预测模型和克隆选择免疫多目标滚动优化算法的CMP过程多变量R2R预测控制器BSVMPR2R.由LS-SVM和贝叶斯证据框架(Bayes evidence framework,BEF)方法分别构建材料去除率(material removal rate,MRR)和晶圆内非均匀度(within-wafer nonuniformity,WIWNU)的BLS-SVM预测模型,解决了线性预测模型的失配问题;通过预测误差对后续批次过程扰动和漂移进行在线估计实现反馈校正,提高了预测模型精度;将多变量控制问题转化为基于2个预测模型的多目标优化问题,由克隆选择免疫多目标滚动优化算法求解最优控制律提高了控制精度.仿真结果表明,BSVMPR2R控制器的性能优于双指数加权移动平均(double exponential weighted moving average,dEWMA)多变量控制器,抑制了CMP过程扰动和漂移的影响,显著降低了MRR和WIWNU的均方根误差.     

基于MATLAB的广义预测控制设计方法

热工过程控制具有非线性、大迟延、大滞后、时变、耦合性和不确定性的特点,从而使控制难以得到满意的效果。而广义预测控制具有较强的鲁棒性、对模型要求低的特点。并且适用范围非常广泛。本文介绍了广义预测控制的基本原理和特点,并采用隐式广义预测算法在MATLAB中对单输入单输出系统进行验证。仿真结果表明该算法不仅大大减少了计算量。而且具有较好的控制效果。     

基于最小二乘支持向量机逆系统方法应用研究

针对流浆箱的内部机理模型,提出了一种基于最小二乘支持向量机逆系统的解耦控制方法。利用最小二乘支持向量机辨识得到流浆箱系统的逆模型,并采用逆系统思想,将流浆箱非线性系统解耦成多个相互独立的单入单出伪线性子系统。采用MATLAB对该解耦控制方法的有效性进行仿真验证,结果表明,该控制方法抗干扰性强,结构简单,工程上易于实现。     

基于LS-SVM的柴油机润滑油中磨粒含量预测

介绍了最小二乘支持向量机(LS-SVM)回归算法的基本原理,并以490BPG型柴油机润滑油中磨损磨粒为研究对象,使用LS-SVM对磨粒的浓度数据进行了回归拟合并预测,并与基于人工神经网络的预测模型的预测结果进行了比较.结果表明,LS-SVM的预测模型的精确度较高,泛化能力强,是用于润滑油中磨粒浓度预测的一种有效的方法.     

基于LSSVM的直线电机进给定位误差补偿研究

误差补偿是提高机械加工精度的有效途径,在分析测试数控直线电机进给定位精度的基础上,提出基于最小二乘支持向量机的直线电机进给定位精度误差回归建模和预测方法.最小二乘支持向量机具有完备的统计学习理论基础和学习功能,它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来误差.采用径向基核函数的最小二乘支持向量机对不同速度加速度下的定位误差进行了预测,并进行误差补偿.研究结果表明,采用LSSVM的方法可以较大地提高直线电机进给的定位精度.     

基于能量诱导型PSO算法与LSSVM模型的钢铁企业高炉煤气消耗量预测

针对钢铁企业高炉煤气消耗量存在的波动大、随机性强、难以预测等特点,引入能量剩余函数,提出了一种与粒子自身能量相关的能量诱导型粒子群(Energy Guided Particle Swarm Optimization,EGPSO)算法。利用其对最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)的参数进行优化,最后采用优化后的最小二乘支持向量机模型(EGPSO-LSSVM)进行高炉煤气消耗量预测。仿真实验表明:改进后的预测模型在平均绝对百分比误差、均方误差、均方百分比误差三项指标上均优于普通BP神经网络模型和普通最小二乘支持向量机模型,可以为高炉煤气资源的合理使用提供依据。     

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。     

LSSVM的特征选择算法在烧结过程的应用

炼铁厂的烧结过程是一个复杂的多变量、非线性的物理和化学过程,为了更好地对烧结过程进行建模,在研究最小二乘支持向量机和特征选择的基础上,提出了最小二乘支持向量机的特征选择算法。首先,利用最小二乘支持向量机对烧结样本数据的每一个特征进行训练和预测,记录其预测精度;然后,将样本特征按预测精度排序;最后,按新的特征顺序,逐个递增特征个数对样本数据进行训练和预测。烧结数据的实验结果显示,LSSVM的特征选择算法具有计算的高效性和预测的高精度两优势,证明所提算法的有效性。在所有的特征上对烧结数据进行拟合实验,对比经典SVM、最小二乘和神经网络算法的实验结果,LSSVM可以用很少的时间,得到很理想的拟合效果。     

基于模拟退火与LSSVM的轴承故障诊断

运用模拟退火与最小二乘支持向量机(least square support vector machine,简称LSSVM)轴承的故障诊断法,是在得到较优的λ和σ参数的同时进行特征选择获取显著特征子集.为验证所提方法的有效性,将4种运行状态、5种转速、2类载荷条件下测得的轴承振动信号作为研究样本,提取信号的52个特征.试验结果表明,该法对轴承故障分类的准确率较高,可有效用于旋转机械的状态监控.     

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。     

基于支持向量机的异步电机故障诊断系统

电机故障将造成巨大的经济损失,甚至于人身安全.一个准确的故障诊断系统能够最大程度地降低风险,有利于生产、生活的正常进行.阐述了支持向量机(SVM)及最小二乘支持向量机(LS-SVM)算法的原理,研究了基于LS-SVM的异步电动机故障诊断,比较了正常状况与3类故障的不同,并对3类故障进行了自动分类,测试了分类结果.实验表明,基于SVM的异步电机故障诊断可靠性好,实用性强,验证了SVM的优越性.     

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。