增量型支持向量機回歸訓練算法及在控制中的應用.pdf

1、本論文主要研究了支持向量機(SupportVectorMachine，簡稱SVM)增量型訓練算法及其在控制領域中的應用。支持向量機(SupportVectorMachines，簡稱SVM)是由Vapnik等人于上世紀末提出的一種嶄新的學習機器，它是統(tǒng)計學習理論的核心部分，是處理小樣本學習的有效工具。支持向量機作為統(tǒng)計學習理論的實現(xiàn)方法，有效克服了神經(jīng)網(wǎng)絡方法收斂慢、解不穩(wěn)定、推廣性差的缺點，近年來受到了很大重視，在模式識別、信號處理、控

2、制、通訊等方面得到了廣泛應用，也成為了機器學習領域理論研究的新熱點。 目前已有一些成熟的支持向量機訓練算法得到廣泛的應用，比如chunking算法、分解算法，以及最著名的SMO算法等。然而這些算法無一例外都是只能夠離線應用的訓練算法，對支持向量機在線訓練算法的研究還很少，因此本文在已有成果的基礎之上，重點地研究了增量型的支持向量機訓練算法。增量型的支持向量機訓練算法的一個重要特點是可以用于實時在線訓練支持向量機的模型，這將大大擴

3、展支持向量機的應用范圍。 論文主要內(nèi)容如下：首先針對常規(guī)增量型的支持向量機訓練算法存在的問題(比如邊緣支持向量集合為空時算法無效、算法訓練速度慢等)進行了深入的分析，得到有效的改進方法，大大提高了算法的建模性能和實用性。通過仿真實驗驗證了改進的增量型支持向量機訓練算法的有效性。 其次本文把增量型的支持向量機訓練算法應用到控制領域中來，結合經(jīng)典的控制算法(比如直接逆控制、內(nèi)?？刂啤㈩A測控制等)，構造出一些有效的在線控制算法