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.     

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机(LS-SVM)回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明:在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。     

最小二乘支持向量机在汽车动态系统辨识中的应用

汽车转向时动态系统参考模型对于汽车稳定性的控制有重要影响．基于最小二乘支持向量机算法,应用网络搜索和交叉验证的方法选择支持向量机参数,并将其应用于汽车转向时的非线性动态系统辨识,取得了良好的辨识效果,建立的参考模型能够较充分地描述汽车动力学行为。     

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.     

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KPCA的功能模拟智能控制系统模型研究

为了模拟人的行为实现智能控制,提出一种基于核函数主元分析法(KPCA)和加权支持向量机的精简输入向量的数学建模方法,将样本数据从输入空间非线性变换,映射到高维特征空间,在高维特征空间利用PCA进行特征提取,实现输入相空间重构,采用加权支持向量机回归建模。通过对人熟练驾驶自行车过程的模拟,重构了人控制复杂对象的数学模型,实现对复杂对象的智能控制。实验证明:该系统模型精度较高,与人工驾驶自行车比较控制效果良好。     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.     

基于支持向量机的CSTR系统建模

支持向量机算法用于软测量建模能较好地解决小样本、非线性、高维数、局部极值等问题．本文的研究重点在于支持向量机方法在化工过程中的应用。用支持向量机为CSTR系统建立模型,分析了模型参数对模型性能的影响,同时,通过两个参数在不同值之间两两组合比较所得的误差,最终得到误差最小的参数值,从而使模型能够自动调整参数到最优值。实验结果表明支持向量机方法是一种高效可行的化工过程建模方法,模型精确,泛化能力强,性能优良。     

机器人动力学模型识别新方法

准确的动力学模型在先进的机器人轨迹跟踪控制中扮演了一个非常重要的角色．通过分析关节的非线性摩擦力的特点，提出了一种新颖的机器人动力学模型识别途径．同时应用最小均方差方法和支持向量机算法，可以准确地识别机器人的线性和非线性耦合的动力学模型．对一自由度机器人系统的实验结果表明，相对于传统方法，其动力学模型的建模精度更高．     

基于LS-SVM的超磁致伸缩致动器数据驱动建模方法研究

针对超磁致伸缩材料(GMM)的强非线性特征,提出了一种新的超磁致伸缩驱动器(GMA)实验系统及其数据驱动建模方法.实验中的测量数据取自光栅传感器,采用数据驱动原理,基于最小二乘支持向量机(LS-SVM)实现了GMA的非线性建模.对模型性能进行了实验评估,预测了GMM棒的动态特性,并讨论了驱动电压对输出特性的影响.实验结果显示,该模型能较好地预测GMA的制动输出,预测误差在0.05%以内.