最小二乘支持向量机建模及预测函数控制问题研究.pdf

浙江大学硕士论文 摘要 摘要 非线性系统控制问题依旧是目前控制界的研究难点与热点，非常重要的一个因素就是 难以获得准确的辨识模型。基于结构风险最小化原则的支持向量机(SVM)是处理非线性 分类和回归问题的有力工具，在精度和泛化能力方面都有着优异的表现。以此为基础发展 出了最小二乘支持向量机(LSSVM)，将支持向量机的不等式约束转化成等式约束，明 显简化了计算。在控制策略方面，预测控制一直是非常有效的方式，预测函数控制因其可 以规律化控制输入并简化计算成为了主流预测控制方法之一。本文针对最d-乘支持向量 机和预测函数控制，做了深入研究，对这两种理论做了非常有意义的改进并将二者结合解 决非线性控制问题o 1．最小=乘支持向量机：爵支持向量机中的不等式约束转化成等式约束后，失去了支 持向量的稀疏性，所有训练样本都捋成为支持向量。为了减少支持向量的数量，本文提出 基于拉格朗日乘子剪切的全样本逼近策略，剪切对建模影响较小的支持向量并利用剩余向 量使用逼近策略重新构建辨识模型，既减少支持向量数量，又兼顾到被剪切样本的信息， 建模效果理想。 2．最小二乘支持向量机建模过程中涉及到超参数选择问题。这些参数选择好坏对建 模效果有明显影响。对此本文提出基于交营混沌粒子群算法的搜索技术，利用了粒子群算 法的计算简单性和混沌算法的遍历性，使得整个搜索过程方便快捷，又能避免传统搜索方 法易陷入局部最优的问题。 3．通过最d-乘支持向量机获得系统辨识模型，采用预测函数控制方法实现非线性 系统控制。由于辨识模型是非线性和解析的，本文提出通过线性近似得到工作点附近的系 浙江大学硕士论文 摘要 统模型，以此为预测模型，对控制输入采用新型增量型预测函数控制，获得规律化的控制 输入信息，可以实现无偏控制和快速响应。 关键词：最小二乘支持向量机，稀疏性，全样本逼近，超参数，交替混沌粒子群，预测函 数控制 浙江大学硕士论文 Abstract Abstract Thecontrol ofnon—linearisoneofthe and issuesinthearea aspect systems key challenging ofcontrol duetothefactthat in modelisdifficulttobeobtained engineering appropriate onthe ofstructuralrisk vector practice．Basedtheory minimization，support Was asa tooltoaddressthe ofnon—linearclassificationand proposedpowerful problems with least vector regressionsatisfactoryperformance．Thesquaressupport Was basedonSVMtoreducethe developed computationcomplexitythrough constraintsto constraints．In controlisan inequalities