基于最小二乘算法的模糊支持向量机控制器及其应用

介绍了一种基于最小二乘算法的模糊支持向量机控制器，它将模糊控制与支持向量机结合起来，融合了两者的优点，既有不依赖被控对象模型又有泛化能力强等特点。同时采用混合学习算法来优化控制器参数，即先采用最小二乘算法离线优化支持向量机(SVM)性能参数，建立SVM控制系统，再根据对象的变化，采用遗传(GA)算法在线学习优化SVM性能参数和模糊比例因子，以使控制器的性能能适应对象的变化而达到最优。火电厂主汽温控制的仿真结果表明这种控制器具有良好的控制性能。     

利用粒子群优化最小二乘支持向量机诊断H桥功率模块IGBT故障

为了提高H桥功率模块中IGBT故障诊断的准确性,提出将粒子群优化最小二乘支持向量机用于H桥功率模块中IGBT故障诊断。分析了功率模块中可供采集的信号,将H桥直流侧电容电压作为故障的原始信号。通过小波多分辨率提取故障特征。采用粒子群算法优化最小二乘支持向量机中的核函数和正则化参数。通过仿真实验表明,粒子群优化最小二乘支持向量与默认参数最小二乘支持向量机、粒子群优化支持向量机和遗传算法优化最小二乘支持向量机相比,诊断准确率高和诊断时间短等优点,具有很好的实用性。     

结合改进PSO算法和LSSVM的化工异常工况超早期监测预警研究

针对化工过程采样间隔短、动态性强,短期参数预测不能有效地为现场人员提供充足的操作时间,提出了结合改进粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的异常工况超早期监测预警方法。采用最小二乘支持向量机对归一化处理后的过程数据进行训练,利用改进的粒子群优化算法对最小二乘支持向量机中的核参数和惩罚因子进行快速精确地全局寻优,得到优化的预测模型。在丙烷塔的超压异常工况超早期监测预警案例分析中,能够准确地对未来500 s内的过程数据进行预测,并比DCS系统提前40 s发出异常报警,相比于最小二乘支持向量机预测模型和标准粒子群优化的最小二乘支持向量机预测模型,所提方法有效降低了预测误差。     

最小二乘小波支持向量机在非线性控制中的应用

结合小波技术和支持向量机,提出了一种基于多维允许小波核的最小二乘小波支持向量机,其小波核函数具有近似正交和适用于信号局部分析的特点。同时,给出了一种有效求解最小二乘小波支持向量机的Cholesky分解算法。将最小二乘小波支持向量机应用在非线性系统的自适应控制上,仿真结果表明,与最小二乘支持向量机、多层前向神经网络或模糊逻辑系统相比,最小二乘小波支持向量机均能给出较好的性能,显示出快速而稳定的学习速度,而且在相同条件下,最小二乘小波支持向量机比最小二乘支持向量机的逼近精确度提高了一个数量级。所提出的用于非线性动态系统自适应控制的最小二乘小波支持向量机方法具有效性和实用性。     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

基于改进SPSO算法优化LS-SVM的六极径向混合磁轴承转子位移自检测技术

为解决磁轴承中采用电涡流传感器或霍尔传感器检测转子位移引起的磁轴承体积大、成本高、可靠性降低等问题,提出一种基于改进的简化粒子群算法优化最小二乘支持向量机位移预测模型的磁轴承转子位移自检测技术。介绍六极径向混合磁轴承的结构和工作原理,并推导其径向悬浮力的数学模型;基于支持向量机回归原理,建立六极径向混合磁轴承的控制线圈电流与转子位移之间的预测模型,并利用改进的简化粒子群算法优化了最小二乘支持向量机的性能参数,实现磁轴承的转子位移自检测。构建六极径向混合磁轴承系统转子位移自检测仿真模型,并进行起浮仿真实验,仿真试验结果证明了该方法的可行性。     

基于模糊最小二乘支持向量机的系统边际电价预测方法

提出了基于模糊最小二乘支持向量机的系统边际电价（system marginal price,SMP）预测方法。为了减少样本数据中孤立点对回归性能的影响,将模糊隶属度的概念引入到最小二乘支持向量机中的同时,采用网格搜索和交叉验证的方法寻找最佳参数组合,使系统边际电价算法性能达到最佳。以美国加州电力市场的实际数据作计算实例,分别采用标准三层BP神经网络和模糊最小二乘支持向量机进行系统边际电价预测,结果表明基于模糊最小二乘支持向量机的系统边际电价预测的方法有效提高了预测精度。     

船舶航向最小二乘支持向量机内模控制

针对船舶航向控制中出现的舵机速度饱和问题,设计了船舶航向保持最小二乘支持向量机内模控制系统,该控制系统采用双口内模控制结构,并利用改进最小二乘支持向量机在线增量算法建立内模控制器及观测模型.仿真结果表明,该系统对海情的变化具有良好的自适应能力,尤其在高海情下,能够有效降低舵角速度饱和率以及舵机的功耗,使航行可靠性得到提高.     

遗传优化的最小二乘支持向量机在开关磁阻电机建模中的应用

针对开关磁阻电机的非线性磁链特性,用最小二乘支持向量机(least square support vector machine,LSSVM)与自适应遗传算法相结合的方法精确构建开关磁阻电动机的磁链模型。在最小二乘支持向量机通过采样数据训练模型的过程中,用自适应遗传算法评价拟合误差,优化LSSVM模型的超参数,进而优化开关磁阻电机的磁链模型。通过比较该模型的预测数据与实际测量数据,可以得出用自适应遗传算法优化的最小二乘支持向量机构建的开关磁阻电机模型是可行的,有较高的精度和较好的预测能力。     

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机（SVM）解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度。将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果。     

木材干燥过程温湿度的T-S型模糊神经网络控制器设计

木材干燥过程是一个强耦合、大滞后的非线性动力系统,很难准确建立被控对象的数学模型。为了准确控制木材干燥过程的温度和湿度,提高木材干燥质量,将智能控制引入木材干燥控制系统是必然的发展趋势。结合模糊控制和神经网络优点,设计了一种木材干燥窑内温湿度的Takagi-Sugeno(T-S)型模糊神经网络控制器。该控制器无需对象的精确数学模型,适应性强,利用模糊算法解除木材干燥窑内温度和湿度间的强耦合关系,采用神经网络的自学习和自适应能力来实现整个非线性过程的模糊逻辑推理。仿真和实验结果表明,T-S型模糊神经网络控制器有效解决了木材干燥过程的温湿度控制,控制器响应速度快、超调小、鲁棒性强、控制精确度高,可以满足木材干燥控制系统要求。     

最小支持向量机在系统逆动力学辨识与控制中的应用

为克服支持向量机(support vector machine,SVM)在线辨识过程需要较大的内存开销的问题,该文将递推最小二乘法(recursive least square,RLS)与最小二乘支持向量机(least squares support vector machine,LS-SVM)回归相结合,利用RLS在线调整支持向量机的权向量和偏移量,实现了系统逆动力学模型的在线辨识。在获得逆动力学模型的基础上,设计了一种基于逆动力学递推最小二乘支持向量机的控制算法,利用RLS在线调整控制器参数。过热汽温辨识和控制的仿真结果表明,辨识出的逆动力学模型具有较高的精度,所设计的控制器能获得较好的控制性能和有较强的适应能力。     

Experimental modelling and intelligent control of a wood‐drying kiln

Proper control of the wood‐drying kiln is crucial in ensuring satisfactory quality of dried wood and in minimizing drying time. This paper presents the development, implementation, and evaluation of a control system for a lumber drying kiln process incorporating sensory feedback from in‐wood moisture content sensors and intelligent control such that the moisture content of lumber will reach and stabilize at the desired set point without operator interference. The drying process is difficult to model and control due to complex dynamic nonlinearities, coupling effects among key variables, and process disturbances caused by the variation of lumber sizes, species, and environmental factors. Through system identification scheme using experimental data and recursive least‐squares algorithm for parameter estimation, appropriate models are developed for simulation purpose and controller design. Two different control methodologies are employed and compared: a conventional proportional‐integral‐derivative (PID) controller and a direct fuzzy logic controller (FLC), and system performance is evaluated through simulations. The developed control system is then implemented in a downscaled industrial kiln located at the Innovation Centre of National Research Council (NRC) of Canada. This experimental set‐up is equipped with a variety of sensors, including thermocouples for temperature feedback, an air velocity transmitter for measuring airflow speed in the plenum, relative humidity sensors for measuring the relative humidity inside the kiln, and in‐wood moisture content sensors for measuring the moisture content of the wood pieces. For comparison, extensive experimental studies are carried out on‐line using the two controllers, and the results are evaluated to tune the controller parameters to achieve good performance in the wood‐drying kiln. The combination of conventional control with the intelligent control promises improved performance. The control system developed in this study may be applied in industrial wood‐drying kilns, with a clear potential for improved quality and increased speed of drying. Copyright © 2001 John Wiley & Sons, Ltd.     

基于粗糙集理论和最小二乘支持向量机的中长期负荷预测

根据电力系统中长期负荷预测的特点,提出了粗糙集理论与最小二乘支持向量机相结合的预测方法。应用粗糙集理论对影响负荷的众多因素进行约简,得到与负荷关系最为密切的核心因素,将其作为最小二乘支持向量机的输入矢量进行预测。实际算例分析表明,该预测模型符合中长期负荷预测的特点并具有较高的精度,方法是可行和有效的。     

模糊神经网络在配电柜温湿度控制系统中的应用

为解决电力系统密闭配电柜内恒温恒湿的问题,针对配电柜温湿度控制系统,设计一种以DSP为处理器,基于模糊神经网络的PID控制器,用于温湿度控制系统。分析了配电柜温湿度控制器的组成,综合模糊控制和神经网络的优点,将神经网络、模糊控制和PID相融合,通过MATLAB软件对系统进行仿真,结果表明,该系统比普通温湿度控制系统具有更好的动态特性。     

奶粉喷雾干燥模糊控制器的设计与仿真

通过对喷粉干燥工艺过程的分析，针对传统的奶粉干燥控制系统存在的问题，提出以排风温度为主变量对蒸汽阀门进行粗调，以进风温度为次变量对蒸汽阀门进行微调的双闭环温度控制系方案。将模糊智能算法与传统PID控制结合起来作为主控制器，代替传统滞后补偿smith PID控制算法，建立了系统的仿真模型，通过MATLAB仿真实验证明了此系统具有良好的静动态性能。     

基于模糊控制补偿的支持向量机逆模型控制

支持向量机(SVM)具有很强的非线性逼近能力与泛化能力,文章研究了基于SVM的非线性系统逆模型辨识,并设计了基于模糊控制补偿的SVM逆控制系统.由SVM辨识的逆模型作为前馈控制器,形成直接逆模型控制器.同时,设计模糊控制器构成反馈补偿控制,克服逆模型的建模误差,提高系统鲁棒稳定性.仿真研究表明,SVM具有优良的逆模型辨识能力,基于模糊控制补偿的支持向量机逆控制系统的动态性能好、跟踪精度高、鲁棒稳定性强.     

基于综合自适应滤波器的在线短期负荷预测

准确地实现小时负荷预测是实施优化控制和动态安全分析的前提。采用嵌入维最小二乘支持向量机（ELS-SVM）的方法进行建模和预测,对影响负荷的因素进行模糊化处理。采用了粒子群（PSO）优化算法解决ELS-SVM学习过程中多参数难以调整的问题。提出分段小批量学习和更新的在线学习方法,既降低了运算量又能有效地避免积累误差,从而提高预测精度。实验结果表明,该方法有效地将预测精度从2.1%提高到了1.29%。