本文關(guān)鍵詞：不同核支持向量回歸機(jī)在模型預(yù)測控制中的應(yīng)用研究

  更多相關(guān)文章： 非線性系統(tǒng) 模型預(yù)測控制 支持向量回歸 核函數(shù) 在線 多步

【摘要】：近幾十年來,模型預(yù)測控制(Model Predictive Control,MPC)發(fā)展迅猛,在理論研究及實(shí)際應(yīng)用中都取得了顯著的成效。但是,由于非線性系統(tǒng)的精確模型及全局最優(yōu)解難以獲得,MPC在非線性系統(tǒng)中的局限性日益明顯。由Vapnik于1995年提出的支持向量回歸機(jī)(Support Vector Regression,SVR)為MPC在非線性系統(tǒng)中的應(yīng)用帶來了希望,兩者的結(jié)合受到眾多學(xué)者的關(guān)注,成為相關(guān)領(lǐng)域的研究熱點(diǎn)。針對應(yīng)用于MPC的SVR的核函數(shù)均采用二次核函數(shù)及SVR訓(xùn)練算法基本為離線訓(xùn)練,建立的模型難以適應(yīng)非線性系統(tǒng)的時(shí)變性且整體性能不夠優(yōu)良等問題,本文在前人研究基礎(chǔ)上主要針對核函數(shù)的優(yōu)化選取對SVR性能的影響及非線性系統(tǒng)MPC中離線建立的模型容易失配等問題進(jìn)行研究。提出了以不同核SVR及在線SVR作為預(yù)測模型,并利用多智能體粒子群(Multi-Agent Particle Swarm Optimization Algorithm,MAPSO)算法對MPC中滾動(dòng)優(yōu)化部分的控制律尋優(yōu)的方法。主要的工作內(nèi)容如下:(1)考慮到不同核函數(shù)的選取對SVR綜合性能的影響以及近年來應(yīng)用于模型預(yù)測控制中的SVR皆是單一的使用二次核函數(shù)這一情況,分別將多次核SVR及RBF核SVR應(yīng)用于非線性系統(tǒng)模型預(yù)測控制(Nonlinear Model Predictive Control,NMPC)中。同時(shí),由于核函數(shù)(多項(xiàng)式、RBF)自身表達(dá)式的復(fù)雜性,在MPC滾動(dòng)優(yōu)化部分引入MAPSO算法求解最優(yōu)控制律。針對基于MAPSO的多次核SVR及RBF核SVR模型預(yù)測控制進(jìn)行仿真分析,并分別與基于二次核SVR的模型預(yù)測控制、基于SVR的逆模型控制算法比較,結(jié)果表明所提方法在預(yù)測精度、抗干擾等方面上的優(yōu)勢。(2)在研究離線SVR基礎(chǔ)上,考慮到離線建立的模型難以適應(yīng)實(shí)際中非線性對象的實(shí)時(shí)變化及單步預(yù)測中系統(tǒng)前后狀態(tài)聯(lián)系不緊密問題,提出基于MAPSO的在線SVR(Online Support Vector Regression,OSVR)多步模型預(yù)測控制。針對基于MAPSO的在線SVR多步模型預(yù)測控制進(jìn)行了仿真分析,并與基于SVR及基于GA的OSVR模型預(yù)測控制等方法進(jìn)行比較,仿真結(jié)果表明該方法的優(yōu)越性。
【關(guān)鍵詞】：非線性系統(tǒng) 模型預(yù)測控制 支持向量回歸 核函數(shù) 在線 多步
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP273
【目錄】：

• 摘要3-4
• Abstract4-10
• 注釋表10-11
• 第1章 緒論11-16
• 1.1 研究背景及研究基礎(chǔ)11-12
• 1.2 模型預(yù)測控制概述12-14
• 1.2.1 模型預(yù)測控制原理12-13
• 1.2.2 模型預(yù)測控制機(jī)理13
• 1.2.3 單步及多步模型算法控制13-14
• 1.3 論文結(jié)構(gòu)體系14-16
• 第2章 支持向量機(jī)16-27
• 2.1 支持向量機(jī)概述16-23
• 2.1.1 統(tǒng)計(jì)學(xué)習(xí)理論16-18
• 2.1.2 支持向量分類機(jī)18-21
• 2.1.3 支持向量回歸機(jī)21-23
• 2.2 支持向量回歸機(jī)核函數(shù)選擇23-26
• 2.3 本章小結(jié)26-27
• 第3章 基于多智能體PSO的SVR單步模型預(yù)測控制27-49
• 3.1 多智能體粒子群算法27-32
• 3.1.1 標(biāo)準(zhǔn)粒子群算法(PSO)27-29
• 3.1.2 多智能體粒子群算法(MAPSO)29-31
• 3.1.3 MAPSO算法流程31-32
• 3.2 基于多智能體PSO優(yōu)化的多項(xiàng)式核SVR單步模型預(yù)測控制32-41
• 3.2.1 算式推導(dǎo)32-35
• 3.2.2 算法步驟35-36
• 3.2.3 實(shí)例分析36-41
• 3.3 基于多智能體PSO優(yōu)化的RBF核SVR單步模型預(yù)測控制41-48
• 3.3.1 算式推導(dǎo)41-44
• 3.3.2 算法步驟44-45
• 3.3.3 實(shí)例分析45-48
• 3.4 本章小結(jié)48-49
• 第4章 基于多智能體PSO的在線SVR多步預(yù)測控制49-63
• 4.1 在線支持向量回歸機(jī)49-53
• 4.1.1 獲取增量50-52
• 4.1.2 樣本移動(dòng)52
• 4.1.3 矩陣有效運(yùn)算52-53
• 4.2 基于多智能體PSO優(yōu)化的在線SVR多步模型預(yù)測控制53-62
• 4.2.1 算式推導(dǎo)53-57
• 4.2.2 算法步驟57
• 4.2.3 實(shí)例分析57-62
• 4.3 本章小結(jié)62-63
• 第5章 總結(jié)與展望63-66
• 5.1 研究工作總結(jié)63-64
• 5.2 前景展望64-66
• 致謝66-67
• 參考文獻(xiàn)67-71
• 附錄：攻讀碩士學(xué)位期間發(fā)表的論文及專利71

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 唐賢倫;李洋;李鵬;張毅;;基于多Agent粒子群優(yōu)化的多步SVR模型預(yù)測控制[J];系統(tǒng)工程與電子技術(shù);2014年05期

2 唐賢倫;李洋;李鵬;劉念慈;;多智能體粒子群優(yōu)化的SVR模型預(yù)測控制[J];控制與決策;2014年04期

3 劉文龍;;基于T-S模糊模型的多變量非線性預(yù)測控制[J];電子測量與儀器學(xué)報(bào);2013年10期

4 陳進(jìn)東;潘豐;;基于在線支持向量機(jī)和遺傳算法的預(yù)測控制[J];系統(tǒng)工程與電子技術(shù);2013年06期

5 程森林;師超超;;BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測控制算法的仿真研究[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2011年08期

6 趙明淵;唐勇;傅，

本文編號(hào)：946189