支持向量機逆系統(tǒng)控制方法的研究與應用.pdf

1、支持向量機(Support Vector Machine，SVM)是基于統(tǒng)計學習理論的機器學習方法，具有泛化能力好且結構簡單的優(yōu)點。本文利用其對函數精確擬合特性，解決非線性逆模型建立困難的問題，SVM將非線性回歸問題轉化到一個線性可分的高維特征空間中的一個凸優(yōu)化問題，得到的解是全局最優(yōu)的。本文針對SVM直接逆方法在控制性能上的不足，研究如何改進算法并進一步推廣應用于非線性系統(tǒng)的控制中。
　　 本文首先分析和闡述了SVM在系統(tǒng)辨識

2、及SVM逆方法在系統(tǒng)控制應用中國內外的研究現狀；在逆系統(tǒng)定義的基礎上，闡述了系統(tǒng)可逆性判定及求取系統(tǒng)相對相量階的方法，并以SVM非線性回歸算法為基礎，討論了有關SVM參數尋優(yōu)方法。仿真中以非線性單變量系統(tǒng)為例，研究了SVM的辨識能力，為進一步將其推廣應用到多變量非線性系統(tǒng)的控制中奠定基礎。
　　 針對球磨機制粉過程的非線性、多變量強耦合特性，建立系統(tǒng)的動態(tài)數學模型，證明了系統(tǒng)的可逆性。利用SVM來辨識球磨機制粉過程的逆模型，將該

3、逆模型與原系統(tǒng)串聯可構成解耦后的偽線性復合系統(tǒng)。同時為了克服逆系統(tǒng)的建模誤差，通過設計預測控制器對該復合系統(tǒng)進行閉環(huán)優(yōu)化控制。仿真結果驗證了本文提出的方法不依賴于球磨機制粉系統(tǒng)的精確數學模型，能夠適應系統(tǒng)模型的不確定性，可在大范圍內克服系統(tǒng)非線性強耦合問題，實現了球磨機制粉系統(tǒng)的有效控制。
　　 最后，研究了SVM逆方法魯棒性方面存在的問題，提出基于SVM逆方法的模型參考自適應控制方法。仿真中分別考察系統(tǒng)存在干擾、模型失配的情況