基于最小二乘支持向量机建模的混沌系统控制.pdfVIP

维普资讯 第 54卷 第 1期 2005年 1月 物 理 学 报 Vo1．54，No．1，January，2005 1000．32902／005／54(01)／0030．05 ACTAPHYSICA SINICA ⑥2005Chin．Phys．Soc． 基于最小二乘支持向量机建模的混沌系统控制* 叶美盈 (浙江师范大学数理学院，金华 321004) (2004年2月 13日收到；2004年4月26日收到修改稿) 提出了基于最小二乘支持向量机( sVMs)建模的混沌系统控制方法 ．与前向神经网络相比，LS．SVMs的优点 是其训练过程遵循结构风险最小化原则，不易发生过拟合现象；它通过解一组线性方程组可得到全局惟一的最优 解 ；LS-SVMs的拓扑结构在训练结束时自动获得而不需要预先确定．该方法不需要被控混沌系统的解析模型，且 当 测量噪声存在情况下控制仍然有效 ．以一维和二维非线性映射为例进行数值仿真 ，表明该方法是有效和可行的． 关键词：混沌控制，支持向量机，建模 PACC：O545 SVMs可成功克服神经网络的上述缺陷 J．虽然最 I．引 言 近SVMs已在混沌系统的辨识与预测中得到了一些 应用 。 ，但 SVMs在混沌系统控制中的应用尚属鲜 近年来混沌控制及应用问题受到国内外学者的 见．文献 [11]提出了用 SVMs控制混沌动力学系统 关注．作为混沌保密通信的关键技术，同步问题的 的方法，该方法将复杂动力学系统的模型分解为线 研究日益受到人们的重视 ，提出了若干有效的设计 性部分和非线性部分，通过用 SVMs补偿模型的非 方法，如极点配置方法、脉冲控制方法、神经网络方 线性部分来实现混沌系统的控制，因此该方法仍依 法等¨]．其中神经网络因其有较强的非线性映射 赖于对象模型，对于精确模型往往难以得到的实际 能力，在混沌系统控制中得到了较多的应用¨ ，通 混沌系统来说，这种方法是难以付诸实际应用的． 常的做法是首先以前向神经网络对混沌系统进行学 本文尝试直接采用支持 向量机的最小二乘形式 习，得到混沌系统动力学模型较为准确的表述，进而 (1eastsquaressupportvectormachines，LS．SVMs) 对 实现对混沌系统的控制．但因神经网络训练过程遵 混沌系统的动力学特性进行学习，以训练好的 LS． 循经验风险最小化准则，存在过拟合、训练过程受局 SVMs模型进行混沌系统的控制．这种控制方法无 需被控对象的解析模型，便可以对其进行有效控制， 部极小点的困扰、网络结构 的选择过分依赖于经验 且在有测量噪声情况下控制仍然有效 ． 等固有的缺陷 ，直接影响了建模的精度及可靠性， 如何克服这些缺陷一直是神经网络应用中的难题． 2．混沌系统控制的最小二乘支持 向量 因此，有必要寻求新的更为有效的混沌系统控制 机方法 方法 ． Vapnik等人提 出的支持向量机 (supportvector 训练SVMs需解凸二次规划，虽然所得的解是 machines，SVMs) 是近年来机器学习领域最有影响 唯一的最优解，但算法的复杂度依赖于样本数据的 的成果之一，