基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

基于样本修整和支持向量机算法的并网风电机组运行特性研究

针对并网风力机组运行时非线性、耦合性和大惯性的特点,提出了一种基于样本修整和支持向量机算法的系统辨识方法,并通过实例将该方法与单纯的支持向量机算法、BP(back propagation)神经网络算法进行比较.结果表明,样本修整后与修整前相比,训练速度和预测精度都有明显提高,基于样本修整和支持向量机算法的辨识方法具有明显的优越性.     

非线性Hammerstein-Wiener模型辨识预测控制

为解决工业过程控制领域中非线性系统的模型辨识与预测控制问题,提出一种基于BP神经网络模型的预测控制策略,采用一种分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法建立非线性预测控制器.利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现了一种基于支持向量机Hammerstein-Wiener辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

一种基于支持向量机的非线性系统辨识方法

提出一种新的非线性系统辨识方法,基于支持向量机回归算法,选取高斯核函数构造了从输入空间到高维特征空间的非线性映射,以避免繁琐的运算,实现对非线性系统的辨识。仿真结果表明了SVM具有很好的拟合和泛化能力,同基于神经网络的非线性系统辨识相比,其辨识和泛化性能要优于神经网络。支持向量机的使用为工业过程的系统辨识提供了一条新的途径。     

支持向量机非线性系统模型辨识的研究

采用标准支持向量机(SVM),v-支持向量机,模糊支持向量机,充分发挥其可以任意逼近非线性模型的良好特性对非线性系统进行模型辨识,通过仿真试验表明SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力.     

非线性输出频域响应函数的自适应辨识算法及应用

为解决非线性输出频域响应函数(NOFRF)模型用于模拟电路系统故障诊断时,传统辨识算法需多次激励计算过程耗时长的问题,提出了NOFRF的频域自适应辨识算法(NOFRF-BLMS),该算法构造了NOFRF的输入观测向量与核向量,从而可将NOFRF表示成一个伪线性结构.根据块最小均方(BLMS)原理及约束优化理论,推导出满足最小均方误差指标的NOFRF自适应辨识迭代计算公式,采用输入功率普迭代估算学习因子,由输出误差构造残差向量.NOFRF-BLMS通过在线学习方式,只需一次激励即可辨识出NOFRF,使辨识过程大幅度简化,缩短了辨识时间,具有更强的噪声抑制能力.实验结果表明,NOFRF-BLMS在相同的辨识精度下,耗时仅为传统算法的3%,且故障判断准确.     

含非线性摩擦的伺服系统连续模型直接辨识

为准确描述伺服系统的动态特性与摩擦非线性,提出了一种非线性连续模型直接辨识方法. 该方法以离散输入输出数据与速度方向的逻辑值作为辨识输入,通过等价变换将未知参数都转移到模型的线性部分中,再运用基于状态变量滤波器的直接辨识法求得未知参数,从而获得伺服系统的非线性连续模型. 通过仿真及在双向转台伺服系统的实验表明,该方法在有噪声的情况下仍能准确辨识出非线性连续模型,能准确描述伺服系统的动态特性.     

自动电压控制中不良数据的辨识

自动电压控制(AVC)系统由于缺乏对发电厂遥测量数据真实性的有效和准确辨识,容易引起装置误动.支持向量机(SVM)是一种具有优良模式识别性能的数据挖掘方法.文中利用SVM建立发电厂遥测量不良数据的辨识模型:首先应用SVM非线性回归对各种运行情况下发电厂的遥测量数据进行曲线拟合,然后应用SVM训练分类网络.将实时遥测量数据输入到训练好的曲线拟合网络和分类网络中,就能够迅速判断该遥测量数据是否为不良数据.仿真算例验证了SVM模型的有效性和准确性.     

基于EM-EKF算法的RLV再入段气动参数辨识

可重复使用运载器(RLV)再入返回段的气动参数表现为不确定和快时变的特点,导致RLV气动特性具有强耦合性和非线性,使气动模型难以设计和控制,降低了飞行器的稳定性.在系统噪声存在的前提下,针对RLV的动力学模型,提出一种由最大期望(EM)算法和扩展卡尔曼滤波(EKF)算法相结合的RLV再入段气动参数辨识方法,以飞行高度和攻角为基准,每10 km一个区间将RLV再入段划分为3个飞行阶段,并分别进行了气动参数辨识.首先,将RLV飞行器再入段的动力学模型转换为非线性系统的状态空间模型;其次,基于状态空间模型,将飞行器的原始状态向量进行扩维,得到由待辨识气动参数和原始状态向量组成的新扩维状态向量;然后,采用EKF算法对RLV气动模型的扩维状态向量进行辨识,达到滤除噪声和估计未知气动参数的目的;之后,为了降低测量和过程噪声统计特性的设置对EKF辨识结果带来的影响,在EKF算法前向滤波和Rauch-Tung-Striebel(RTS)后向平滑过程的基础上,采用EM算法对EKF的测量和过程噪声的先验统计数据进行估计,基于估计所得到的精确噪声特性,能够更好地提高EKF算法对气动参数估计的精度;最后,通过基于EM-EKF算法与极大似然方法的气动参数辨识值对各种气动系数影响的仿真对比,验证了EM-EKF结合辨识算法的准确性.     

基于LMI的H∞未知输入观测器设计

针对同时具有未知输入和量测噪声的离散Lipschitz非线性系统,采用扩展状态向量的方法将量测噪声向量当作系统状态,从而将系统化为形式上不含量测噪声的广义离散非线性系统.通过设计广义系统H∞未知输入观测器,同时估计出原系统状态和量测噪声.为了降低设计的保守性,将观测器设计转化为线性矩阵不等式(LMI)求解问题,给出观测器设计算法,并基于延迟估计的思想提出一种未知输入代数重构方法.仿真结果表明:提出的方法可以使状态估计、量测噪声及未知输入的重构信号逼近实际信号,证明了该方法的有效性和正确性.     

最小二乘小波支持向量机在非线性系统辨识中的应用

基于小波分解和支持向量核函数的条件,提出了一种多维允许支持向量小波核函数.该核函数不仅是近似正交的,而且适用于信号的局部分析、信噪分离和突变信号的检测,从而提高了支持向量机的泛化能力.基于小波核函数和正则化理论提出了最小二乘小波支持向量机(LS WSVM)并将LS WSVM用于非线性系统的辨识,提高了辨识效果,减少了计算量.仿真结果表明:LS WSVM在同等条件下比传统支持向量机的辨识精度提高约13 1%,因而更适合于工程应用.     

基于支持向量机的pH中和过程辨识

针对pH中和过程具有强非线性、时变性的特点,提出一种基于支持向量机的pH中和过程模型辨识方法.该方法采用结构风险最小化准则,保证网络具有较强的推广特性,通过求解凸二次规划确保网络结构全局最优化自动生成.利用支持向量机建立辨识pH中和过程辨识模型.仿真结果表明模型辨识精度高,泛化性能好,模型有效且易于实现.     

面向多输入输出系统的支持向量机回归

目前支持向量机回归算法只适用于单输入单输出系统,在处理复杂多变量系统时多采用构造一系列单变量支持向量机模型的方法,增加了模型与控制的复杂性。针对这一问题,提出了面向多输入多输出系统的支持向量机线性回归和非线性回归方法,两种方法的不同在于映射到高维空间后的运算方法不同。与单变量支持向量机回归建模相比,采用该方法建立的多变量系统模型结构较为简单,且在小样本数的情况下,模型训练速度较快。最后将该方法应用到甲基丙烯酸甲脂的间歇聚合反应过程中,仿真结果表明该方法的有效性。     

基于支持向量机的逆系统离散控制方法

针对非线性被控对象,该文提出了基于支持向量机的逆系统控制方法.对于最小相位的非线性离散系统,该方法根据系统的输入输出数据,使用支持向量机回归的方法来辨识构造原系统的α-阶逆系统.将辨识构造出的逆系统与原系统相联结,就能形成α-阶纯延时伪线性系统.这样,使用线性系统的成熟控制方法(如极点配置等等),就能有效地对非线性系统进行控制.仿真实验显示,即使对于非仿射并且非线性很强的系统,在没有系统模型的先验知识的情况下,利用该方法都能准确地建立逆系统的模型,从而获得良好的控制效果.     

一种基于向量的鲁棒ARMA系统辨识器

提出一种新的基于向量方法的自回归和运动平均(ARMA)模型系统辨识器,并给出了其参数的统计分析模型.应用结果表明,向量ARMA算法和最小二乘法LS算法相比,在一定条件下,其预测误差精度提高了约1.2 dB;且该系统模型不受分离向量参数的影响.使用非线性函数核,系统将会成为一个鲁棒的非线性辨识过程.     

基于优化支持向量机的带钢延伸量软测量研究

带钢退火过程中存在多变量非线性主导因素和数据噪声,难以用数学模型精确描述退火炉内带钢的延伸量.针对这一问题,提出基于核主元分析(KPCA)与免疫粒子群(ICPSO)优化最小二乘支持向量机(LSSVM)的炉内带钢延伸量软测量方法.采用ICPSO算法避免了粒子群算法易陷入局部最优的缺陷,利用ICPSO对LSSVM进行参数寻优,通过KPCA去除样本噪声,提取输入数据样本中的非线性主元信息,建立ICPSO-LSSVM软测量模型.此方法用于退火炉内带钢延伸量预测,通过现场生产数据仿真实验进行非线性函数估计;对比其他几种现有算法,实验结果表明本文方法具有较高的预测精度.     

基于支持向量机的结霜过程特性参数预测模型

为解决结霜过程中有明显的非线性和时变性特征及测试数据中受噪声干扰较大、特性参数预测效果较差的难题,引入了基于结构风险最小化的支持向量机方法,建立了以热力参数集、时间、空间等为特征向量的预测模型.应用实验数据对模型进行了验证和评估,并与基于最小二乘法的预测模型进行了对比分析.结果表明,基于支持向量机的预测模型具有良好预测性能、非线性逼近能力和抗噪声干扰能力.     

支持向量机与神经网络在减振器建模中的应用

提出了利用支持向量机回归建立减振器非参数模型的方法。之后,利用支持向量机建立的模型与两类神经网络模型进行了对比。一类是反向传播神经网络,另一类是径向基函数神经网络。这三种模型分别在虚拟减振器与真实减振器上进行了比较。比较结果证明反向传播神经网络对虚拟减振器的辨识结果最好,而支持向量机回归算法对真实减振器的辨识效果最好。其原因是由于真实减振器的试验数据均具有噪声,而支持向量机对噪声具有一定的鲁棒性。     

基于最小二乘支持向量机动态逆的非线性系统自适应控制

提出基于最小二乘支持向量机动态逆的一种非线性系统自适应控制方法.该方法采用最小二乘支持向量机辨识非线性系统的动态逆模型,并将其串联在原系统之前得到复合的伪线性系统.对于建模误差、不确定因素等引起的非线性系统逆误差,采用在线最小二乘支持向量机进行自适应补偿.最小二乘支持向量机的在线参数调整规律由Lyapunov稳定性理论导出,并证明了非线性闭环系统的稳定性.仿真结果证明了该方法的有效性.     

KPCA-KPLS方法在pH中和过程建模中的应用

针对化工过程中的具有严重非线性、不确定性、时变性的复杂pH中和过程系统建模问题,提出一种基于核主元分析(KPCA)与核偏最小二乘(KPLS)相结合的建模方法.在高维特征空间内,该方法通过KPCA有效地提取输入数据的非线性主元,利用KPLS方法将输入变量投影在潜在变量上,再用输入与输出变量之间的协方差信息提取潜在特征建立pH中和过程模型.为验证其有效性,将KPCA-KPLS方法应用到弱酸强碱中和过程、强酸强碱中和过程实例中,并与核偏最小二乘、核主元分析_支持向量机(KPCA-SVM)、核极限学习机(KELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)、SVM等方法进行比较.实验结果表明:KPCA-KPLS方法具有很高的动态建模精度.