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.     

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。     

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.     

基于支持向量机的非线性逆控制及仿真研究

针对逆系统方法中非线性逆模型辨识困难的问题,研究了基于支持向量机(SVM)的逆模型辨识及控制,提出了一种SVM逆模型与PID结合的复合控制系统.由SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制.同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷.仿真研究表明,SVM的逆模型辨识能力强,该复合控制系统具有比直接逆控制更优的控制性能和鲁棒性.     

基于支持向量机的未知非线性系统辨识与控制

针对一个未知非线性系统，提出了基于支持向量机的建模与控制结构。该控制结构以支持向量机为辨识器，并用指数梯度算法来求控制作用。仿真实例表明了提出的方法是正确、有效的。     

基于支持向量机逆系统的感应电机线性化解耦控制

本文提出了一种新的系统线性化解耦控制方法,其特点是不依赖于对象的精确数学模型,通过采用支持向量机与逆系统相结合的方法来构造原系统的逆系统．本文将基于支持向量机逆系统的方法应用于感应电机解耦控制,将感应电机这一多变量、非线性、强耦合的复杂对象动态解耦成转速与转子磁链两个一阶子系统,从而可以像线性系统一样进行控制．仿真结果表明采用该方法后系统具有优良的静态与动态解耦性能．     

基于最小二乘支持向量机的自适应逆控制

主要针对基于最小二乘支持向量机的自适应逆控制方法进行了研究.初始过程的逆模型,建立了基于最小二乘支持向量机,并通过剪枝算法将支持向量的数量减少.在这种自适应逆控制机制中,逆模型通过递归最小二乘算法更新,控制器依据ε-滤波进行在线调整.仿真结果表明,该辨识方法具有良好的逼近能力,且自适应逆控制系统具有良好的鲁棒性.     

无轴承异步电机最小二乘支持向量机逆解耦控制

为了实现无轴承异步电机径向悬浮力、转速和磁链的非线性动态解耦控制,提出了基于最小二乘支持向量机逆的解耦控制策略,在分析无轴承异步电机原系统可逆的基础上,首先采用最小二乘支持向量机逼近原系统逆模型,然后将逆模型串接于原系统之前构成伪线性复合系统,将无轴承异步电机线性化解耦成径向二自由度位移子系统、转速子系统以及磁链子系统,最后为了进一步提高整个控制系统性能,为伪线性复合系统设计了闭环控制器,并采用Matlab对控制方法解耦性能进行了仿真.仿真结果表明:该方法能够成功实现无轴承异步电机系统的非线性解耦控制,并且系统具有优良的鲁棒性和动、静态性能,克服了传统解析逆解耦控制方法过分依赖于系统模型的缺点.     

基于支持向量机(SVM)的工业过程辨识

将支持向量机应用到典型的时变、非线性工业过程——连续搅拌反应釜的辨识中，并与BP神经网络建模相比较，仿真结果表明了支持向量机的有效性与优越性．支持向量机以其出色的学习能力为工业过程的辨识提出了一种新的途径。     

磁悬浮开关磁阻电机的支持向量机逆全解耦控制

针对磁悬浮开关磁阻电机( BSRM)运行过程中容易出现磁饱和现象、并且转矩和径向两自由度悬浮力之间存在严重的非线性强耦合影响,数学模型建立以及解耦控制难度大的问题,新建了考虑磁饱和效应的数学模型.提出了一种基于最小二乘支持向量机( LS-SVM)的逆模型构建以及解耦控制方法,实现了径向两自由度悬浮力和转矩的全解耦控制,并且利用dSPACE系统进行了闭环解耦控制系统的运行试验,以验证模型良好的解耦效果以及对参数变化的较强鲁棒性.结果表明,该方法融合了LS-SVM的非线性逼近能力与逆系统方法的解耦线性化特点,具有较强的自适应性和鲁棒性,可以克服以基于无磁饱和假设的各种数学模型为基础的解耦控制方法不适用于BSRM磁饱和工况的缺陷.     

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。     

Support vector machine applied in QSAR modelling

Support vector machine （SVM）, partial least squares （PLS）, and Back-Propagation artificial neural network （ANN） were employed to establish QSAR models of 2 dipeptide datasets. In order to validate predictive capabilities on external dataset of the resulting models, both internal and external validations were performed. The division of dataset into both training and test sets was carried out by D-optimal design. The results showed that support vector machine （SVM） behaved well in both calibration and prediction. For the dataset of 48 bitter tasting dipeptides （BTD）, the results obtained by support vector regression （SVR） were superior to that by PLS in both calibration and prediction. When compared with BP artificial neural network, SVR showed less calibration power but more predictive capability. For the dataset of angiotensin-converting enzyme （ACE） inhibitors, the results obtained by support vector machine （SVM） regression were equivalent to those by PLS and BP artificial neural network. In both datasets, SVR using linear kernel function behaved well as that using radial basis kernel function. The results showed that there is wide prospect for the application of support vector machine （SVM） into QSAR modeling.     

支持向量机在胆固醇测定中的应用

支持向量机(SVM)在非线性回归估计中具有很好的学习性能。本文针对医学上三类血浆脂蛋白(VLDL、LDL、HDL)样本中胆固醇含量测定的问题,提出了利用SVM进行回归估计的方法,并与BP网络方法进行了比较。实验表明SVM在稳定性上优于BP网络,而且在对极低密度脂蛋白(VLDL)类别回归估计的精确度上也比BP网络要好。     

最小二乘支持向量机在信道均衡中的应用

为抵消信道时变多径传播特性引起的码间干扰、准确地识别数字通信系统中的发送信号,满足信道均衡的实时性要求,采用最小二乘支持向量机回归算法对信道进行均衡。首先,分析了最小二乘支持向量机算法应用于信道均衡的机理,与传统的信道均衡方法相比,该算法无需对信道进行估计可直接得到均衡器的参数。其次,与ε-支持向量机算法进行比较,最小二乘支持向量机均衡性能不减,时间复杂度大大降低,可以更好的满足信道更新的实时性要求。同时探讨了2种改善低信噪比下信道均衡性能的方法。结果表明:对于信道环境复杂的通信系统,利用最小二乘支持向量机的非线性均衡速度快、效果良好。在低信噪比情况下,可以通过增加训练序列长度和利用非线性核函数来改善信道均衡的性能。     

一种基于支持向量机的PCA分析方法

提出一种更简洁的用于主要成分分析 (PCA)及其非线性分析的公式 .给出一个含有规则化项的原始权空间的约束最大优化问题 ,应用核技巧来解决其对偶问题 .该公式同最小二乘支持向量机 (LS SVM )分类器相似 .遵循常规的SVM方法 ,将输入空间的数据映射到高维特征空间 ,然后使用核技巧 ,利用主对偶约束最大优化来解释线性和非线性PCA分析问题 .其优点在于对偶问题适用于高维输入空间 ,而原始问题在N很大时能被更好地解决 .     

基于灰色关联支持向量机的地表沉降预测

基于隧道地表沉降是一个非常复杂的系统工程,受到多种高维非线性、随机性和有限样本等因素的影响,提出隧道地表沉降预测的灰色关联支持向量机分析方法.该方法基于灰色关联分析确定影响沉降量的主要因子,利用学习样本构建数值模型,并通过支持向量机学习建立沉降与随机变量之间的非线性映射关系.为避免人为选择参数的盲目性,采用模拟退火算法搜索支持向量机核函数和参数,进而对未来的变形进行预测.通过对工程实例样本进行学习和预测,并将误差结果与单一的支持向量机模型进行对比.研究结果表明:该方法科学可靠;可用于含有大量随机变量的隧道沉降分析.     

基于支持向量机的无线传感器网络分布式检测

为减少基于似然比检测的无线传感器网络最优分布式检测方法对信道状态、噪声分布和传感器检测性能等信息的依赖,满足实际系统的需要,提出使用支持向量机实现无线传感器网络分布式信号检测的方法.该方法无需预知信道状态和噪声分布信息,简化了无线传感器的节点功能.该方法将传感器节点测量结果以模拟非编码方式发送至数据中心,数据中心利用训练好的支持向量机对接收到的信号进行判决.仿真结果表明,该方法可获得较高的检测精度.     

不平衡数据分类问题的基于间隔放大损失的支持向量机

针对不平衡数据分类问题,提出了一种带有间隔感知标签分布损失函数的支持向量机,称为基于间隔放大损失的支持向量机(support vector machine with margin magnification loss,MM-SVM)。考虑各类样本的分布情况以及数据不平衡比,设计了一种间隔放大损失函数,最小化基于间隔的泛化误差界;将间隔放大损失函数应用于SVM模型中,增强了少数类样本对分类超平面的影响,实现对少数类样本的准确分类。在Keel和UCI数据库上的实验表明,MM-SVM在不平衡数据分类精度和时间效率上均优于其他5种对比方法,实现了对不平衡数据的有效分类。