分享到:

模糊遗传滚动优化的LS-SVM预测控制研究

引言预测控制算法作为一类新型的计算机控制算法,有着鲜明的特点,它是基于预测模型、滚动优化、反馈校正的优化控制算法,其本质是根据对系统未来状态的预测来优化系统行为。目前,基于线性预测模型的预测控制方法已成功地应用于工业过程,而基于非线性预测模型的预测控制,由于建模以及在线滚动优化方面存在困难,目前还仅是一个开放的课题[5]。神经网络具有较好处理非线性的特性,因而神经网络刚应用到控制领域就出现了基于神经网络的预测控制,但基于经验风险最小化的神经网络的局部极小点、过学习以及网络结构和类型选择过分依赖经验等固有缺陷严重降低了其应用效果。根据结构风险最小化的支持向量机较好地解决了小样本、非线性、高维数和局部极小点等实际问题,具有很强的泛化能力[1]。最小二乘支持向量机(Least Square SVM,LS-SVM)是标准支持向量机的一种扩展,简化了计算复杂性,求解速度相对加快,在函数估计和逼近中得到了广泛应用[6]。为此,本文提出一种基...  (本文共4页) 阅读全文>>

《控制与决策》2009年07期
控制与决策

蚁群算法滚动优化的LS-SVM预测控制研究

1引言模型预测控制是20世纪80年代初发展起来的一类新型计算机控制方法,其控制机理是模型预测、滚动优化和反馈校正,具有控制效果好、鲁棒性强、对模型精确性要求不高等优点.用模型进行预测是预测控制的基本特征,控制的精度和稳定性与模型能否反映系统的特征直接相关,因此研究高精度、有效、简单的信息预测模型是目前非线性预测控制要解决的重要问题[1,2].由于神经网络具有优良的非线性逼近能力,采用神经网络进行非线性系统建模得到了广泛应用.但基于经验风险最小化的神经网络在实际应用中存在许多问题,如算法易于陷入局部极小点、结构类型的确定过分依赖经验、过学习及训练速度慢等缺点,在一定程度上限制了其应用.基于结构风险最小化的支持向量机(SVM)回归,较好地解决了小样本、非线性、高维数和局部极小点等问题,具有较强的泛化能力[3-5].将支持向量机应用于预测控制的研究近年来也逐渐增多,出现了一些基于支持向量机的非线性预测控制方法[6,7].最小二乘支持向...  (本文共5页) 阅读全文>>

《计算机应用研究》2009年04期
计算机应用研究

基于PSO滚动优化的LS-SVM预测控制

预测控制是基于预测模型、滚动优化、反馈校正的优化控制算法,其本质是根据对系统未来状态的预测来优化系统行为[1]。经典的预测控制算法,一般是通过获得对象的单位阶跃响应数据或脉冲响应数据来估计所需要的模型参数,得到的模型是近似的线性模型。针对强非线性系统,上述方法就会存在模型失配的问题。根据结构风险最小化原理的支持向量机较好地解决了小样本、非线性、高维数和局部极小点等实际问题,具有很强的泛化能力[2]。最小二乘支持向量机(LS-SVM)是标准支持向量机的一种扩展,简化了计算复杂性,求解速度相对加快,在函数估计和逼近中得到了广泛应用。1最小二乘支持向量机支持向量机主要思想是选择一个非线性映射(·)把n维样本向量(x1,y1),…,(xl,yl)∈Rn,从原空间Rn映射到特征空间[3],在此高维特征空间中构造最优线性决策函数y(x)=sgn[w·(x)+b],在构造最优决策函数时,利用了结构风险最小化原则,同时引入了间隔概念;然后巧...  (本文共3页) 阅读全文>>

南京理工大学
南京理工大学

基于LS-SVM的非线性预测控制研究

模型预测控制(MPC)是当今石油、化工等工业中应用最为成功的先进控制技术之一。它是用动态模型对未知系统的未来行为进行预测,根据该模型对系统进行优化控制的一类控制策略。基于线性模型的模型预测控制研究已经相当成熟并得到了广泛的工业应用。然而在实际控制系统中,被控对象往往具有非线性、时变性和不确定性,因此,关于非线性预测控制的研究已成为控制工程界的重要研究课题。并且随着生产过程规模的扩大和复杂程度的提高,建立系统的机理模型已经变得越来越困难,利用可测量的实验或生产数据建立辨识模型己成为必然的选择。近年来,建立在统计学习理论基础之上的最小二乘支持向量机(LS-SVM)已经在模式识别、系统辨识等领域中得到成功应用。本文针对具有非线性特性的被控对象,研究了基于LS-SVM的智能建模方法及其相应的控制量寻优策略。主要研究内容如下:(1)在深入了解LS-SVM回归原理和算法的基础上,研究了基于LS-SVM回归的模型辨识,仿真结果表明了该方法的优...  (本文共60页) 本文目录 | 阅读全文>>

《火力与指挥控制》2008年11期
火力与指挥控制

预测偏差的LS-SVM预测控制

引言预测控制技术是当今工业界应用最为成功的先进控制技术之一。目前应用最广泛的是线性模型预测控制技术,但对于具有高度非线性系统,线性模型预测控制技术难以获得好的控制性能,因此必须要用非线性模型来描述系统。常用的非线性预测模型包括神经网络及模糊模型等,其学习算法都是基于经验风险最小化原理,这种学习算法都存在“过学习”问题[1]。V apn ik提出了支持向量机(SVM)方法。Suykens提出最小二乘支持向量机(LS-SVM)方法,解决了其中存在的鲁棒性、稀疏性和大规模运算问题[2]。LS-SVM用等式约束代替不等式约束,求解过程变成了解一组等式方程,避免了耗时的QP问题,速度相对加快。相对于常用的不敏感损失函数,LS-SVM不再需要指定逼近精度[ε3]。本文利用LS-SVM良好的非线性函数逼近特性及动态响应特性来建立受控非线性系统的预测模型,构成一种基于预测偏差的LS-SVM预测控制策略。1基于预测偏差LS-SVM预测控制1.1 ...  (本文共3页) 阅读全文>>

《自动化学报》1950年50期
自动化学报

预测控制滚动优化的时间分解方法

预测控制滚动优化的时间分解方法杨健,席裕庚,张钟俊(上海交通大学自动化研究所200030)摘要基于大系统分解协调思想,针对预测控制系统,提出了一种带有并行结构的时间分解算法,以提高滚动优化在线计算效率。仿真结果表明了该算法的有效性。关键词预测控制,滚动优化,分解协调,并行处理1弓信作为一种有较强工业应用背景的启发式控制方法,预测控制具有易于建模、控制性能较好、鲁棒性强、逻辑结构简单等特点,因而在工业过程中获得了越来越广泛的应用.作为实时控制算法,其在线计算的效率是很重要的,但除了一些简单情况,预测控制的在线计算任务是比较大的,尤其是对于复杂的对象和性能指标以及带有约束条件的情形更是如此.通常情况下,分解协调方法是处理大系统问题的有效方法,它通过对系统进行递阶分解,以达到降低所处理问题规模的目的.对于空间维数较高的系统,文献I门提出了预测控制递阶方法,对系统进行空间分解.但是当预测控制采用长时段的优化区间时,即使变量数目不多,离散...  (本文共7页) 阅读全文>>