基于支持向量机的预测控制及其应用分析-predictive control based on support vector machine and its application analysis.docx

第一章 绪 论本章主要介绍论文研究的背景及其意义，概述预测控制的研究现状和支持向量机在预测控制中的 应用现状，最后给出了论文的结构安排。§1.1 选题的背景和意义当前，国内外控制界把对复杂非线性系统的控制作为自动化学科发展的前沿方向。随着科技生产的 日新月异，对复杂非线性系统实行自动控制的要求也在不断提高，原有的控制理论的局限性日益显现。 一般来说，实际工业过程常具有非线性、时变性和不确定性，对其建立精确的数学模型是非常困难的。 即使能够建立起数学模型，其往往由于结构复杂，难于设计有效的控制方法。为了克服传统控制理论研 究与工业应用的不能同步进行问题，在工业实践过程中独立发展起来一种新的控制方法——预测控制。预测控制作为一种基于模型的先进控制技术，产生于 20 世纪 70 年代后期。由于它采用预测模型、 滚动优化和反馈校正等控制策略，因而控制效果好、鲁棒性强，适用于不易建立精确数学模型且比较复 杂的工业生产过程，并且已经成功应用到众多工业部门的控制系统中 [1]。由于模型形式、优化策略和 校正措施的不同，已经形成多种预测控制算法，如动态矩阵控制(DMC)[2]、模型算法控制(MAC)[3]、广义 预测控制(GPC)[4]、预测函数控制(PFC)[5]等。然而由于在实际工业生产中，大量的装置都具有非线性、 时变性、严重不确定性和复杂性的特点，建立系统的机理模型已经变得越来越困难，利用可测量的试验 或生产数据建立辨识模型已经成为必然的选择。在非线性模型预测控制中，基于神经网络和模糊理论的非线性模型预测控制相继提出，尽管这些算 法已经得到了一定的应用，但是都存在着一定的缺陷。例如:模糊模型过分依赖人的经验，神经网络模 型泛化推广能力差、存在局部极小等问题。模型预测控制的重点在于预测模型的选择，如果选择的模型 不能精确表达被控对象的动态特性，势必影响到控制效果。模糊模型和神经网络通常都具有非常复杂的 表达式，这给预测控制律的推导造成了很大的困难。统计学习理论在近几年成为了研究热点，因为它是一种专门针对小样本情况下机器学习规律的理 论。统计学习理论为解决有限样本学习问题提供了一个统一的框架，在这一理论框架基础上发展起来了 一种新的通用学习方法——支持向量机(Support Vector machine, SVM)[6]。针对神经网络存在的问题， SVM给出了很好的解决方案。支持向量机采用结构风险最小原则，保证了学习机器具有良好的泛化推广 能力；SVM算法可转化为一个二次型寻优问题，从理论上，得到的将是全局最优点，解决了在神经网络 方法中无法避免的局部极值问题；支持向量机对任意函数的拟合都可以达到很高的精度。这些特点显示 了支持向量机在非线性系统控制方面存在巨大的应用空间。但是标准支持向量机算法的复杂度主要取决 于样本数据的个数。如果样本数据的数量巨大，相应的二次规划问题会变得非常复杂，计算速度也会相 应变慢。最小二乘支持向量机[7～8] (Least Squares Support Vector Machine，LS-SVM)作为一种扩展 的支持向量机，和标准支持向量机的主要区别在于目标函数中增加了误差平方和项，支持向量机中的不 等式约束在LS-SVM中换成了等式约束，求解LS-SVM的过程就是解一组等式方程，求解速度大大提高。在 神经网络中存在的局部极小、过学习以及过分依赖人的经验缺乏科学性等固有的问题，在LS-SVM都得到 了很好的解决。在小样本情况下，通过LS-SVM辨识建立的非线性系统模型具有良好的泛化能力，能够满 足动态控制的要求。本文针对复杂非线性系统，以基于最小二乘支持向量机的非线性预测控制为基本研究内容，结合理 论和工程背景开展工作。利用测试数据辨识系统，建立基于最小二乘支持向量机的非线性预测控制模型， 既保留了常规预测控制模型的优点，又克服了常规预测控制模型实现困难的缺点。通过仿真验证表明了 模型的正确性和有效性，实现了对系统有效的控制。§1.2 预测控制的研究现状几乎所有的实际控制系统都是非线性的，随着预测控制技术的不断发展，人们已不满足于用线性系 统来近似描述实际控制系统，也不满足于用一些特殊类型的非线性系统来近似描述实际控制系统。人们 开始着力于研究更能真实表示实际控制系统的具有一般形式的非线性预测控制，并且取得了一些研究成 果。然而，迄今为止，主要的研究成果都集中在线性系统，因为预测控制的滚动式优化过程对于线性系 统是可以解析求解的，而对于非线性系统往往需要数值求解，无法满足实时控制的要求。非线性预测控 制主要解决如下两个问题:第一，模型非线性预测控制;第二，算法的非线性导致了控制系统不稳定性和 鲁棒性，其核心是在线求解有约束的非线性优化问题，虽然现有的非线性规划方法已提供了解决这一问 题的技术途经，但是因计算