在現(xiàn)實(shí)的生產(chǎn)過程中，由于大部分受控制對(duì)象具有很強(qiáng)的非線性、模型不確定性等特點(diǎn)，難以對(duì)非線性過程實(shí)施優(yōu)化控制，而建模是控制的基礎(chǔ)，辨識(shí)是建模的關(guān)鍵，故對(duì)非線性系統(tǒng)辨識(shí)的研究是至關(guān)重要的。傳統(tǒng)系統(tǒng)辨識(shí)方法對(duì)于線性系統(tǒng)的辨識(shí)具有較好的效果，但是對(duì)非線性系統(tǒng)辨識(shí)效果不明顯。基于神經(jīng)網(wǎng)絡(luò)等的人工智能辨識(shí)方法和支持向量機(jī)的辨識(shí)方法得到了一些應(yīng)用，但神經(jīng)網(wǎng)絡(luò)辨識(shí)存在過學(xué)習(xí)和局部極值等弊端，盡管支持向量機(jī)（SVM）辨識(shí)方法克服此類缺點(diǎn)，但針對(duì)數(shù)據(jù)特征不明顯的系統(tǒng)，辨識(shí)效果不理想。本課題在研究SVM的基礎(chǔ)上提出了以聚類分析和最小二乘支持向量機(jī)為依據(jù)的非線性系統(tǒng)辨識(shí)方法。主要工作如下：首先，對(duì)具有代表性的幾種聚類分析算法進(jìn)行研究，給出每種聚類分析算法研究的基本思想和具體算法步驟，最重要的是模糊C-均值算法。通過仿真實(shí)驗(yàn)比較各種方法的優(yōu)缺點(diǎn)，選擇最優(yōu)的聚類方法為后續(xù)章節(jié)的研究奠定理論基礎(chǔ)。其次，利用支持向量機(jī)和最小二乘支持向量機(jī)分別對(duì)逆模型系統(tǒng)進(jìn)行辨識(shí)，并進(jìn)行仿真實(shí)驗(yàn)和結(jié)果分析。結(jié)果證明了最小二乘支持向量機(jī)方法具有計(jì)算速度快，泛化能力強(qiáng)和辨識(shí)精度高的優(yōu)點(diǎn)。最后，對(duì)T-S模糊模型的辨識(shí)進(jìn)行深入研究。本文中利用... 

【文章來源】：河南師范大學(xué)河南省

【文章頁數(shù)】：58 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
目錄
第一章 緒論
    1.1 課題研究的目的及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 聚類分析基礎(chǔ)及研究現(xiàn)狀
        1.2.2 非線性系統(tǒng)辨識(shí)基礎(chǔ)及研究現(xiàn)狀
    1.3 論文各章節(jié)內(nèi)容安排
第二章 聚類分析算法研究
    2.1 常用的硬劃分聚類分析算法
        2.1.1 基于 K-均值劃分方法
        2.1.2 BIRCH 算法
        2.1.3 DBSCAN 算法
    2.2 模糊聚類分析算法
        2.2.1 模糊聚類理論基礎(chǔ)
        2.2.2 模糊 C-均值算法
    2.3 聚類分析算法的仿真實(shí)驗(yàn)
    2.4 本章小結(jié)
第三章 基于 LSSVM 的系統(tǒng)辨識(shí)
    3.1 基于 SVM 的系統(tǒng)辨識(shí)
        3.1.1 SVM 基本原理
        3.1.2 基于 SVM 系統(tǒng)辨識(shí)
        3.1.3 基于 SVM 系統(tǒng)辨識(shí)結(jié)果分析
    3.2 基于 LSSVM 的系統(tǒng)辨識(shí)
        3.2.1 LSSVM 基本原理
        3.2.2 最小二乘支持向量機(jī)模型參數(shù)
        3.2.3 基于 LSSVM 系統(tǒng)辨識(shí)
        3.2.4 基于 LSSVM 系統(tǒng)辨識(shí)結(jié)果分析
    3.3 仿真實(shí)驗(yàn)結(jié)果分析比較
    3.4 本章小結(jié)
第四章 基于聚類分析和 LS-SVM 的非線性系統(tǒng)辨識(shí)
    4.1 T-S 模糊模型
    4.2 T-S 模糊模型非線性系統(tǒng)的辨識(shí)
        4.2.1 模糊模型輸入空間的劃分
        4.2.2 模糊模型的參數(shù)估計(jì)
    4.3 基于聚類分析算法的 T-S 模糊模型結(jié)構(gòu)辨識(shí)
    4.4 基于最小二乘支持向量機(jī)的 T-S 模糊模型的辨識(shí)
    4.5 仿真實(shí)例及結(jié)果分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 主要研究工作
    5.2 工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的科研成果


【參考文獻(xiàn)】：
期刊論文
[1]基于密度的改進(jìn)BIRCH聚類算法[J]. 韋相.  計(jì)算機(jī)工程與應(yīng)用. 2013(10)
[2]基于半監(jiān)督學(xué)習(xí)的K-均值聚類算法研究[J]. 劉濤,尹紅健.  計(jì)算機(jī)應(yīng)用研究. 2010(03)
[3]一種改進(jìn)的BIRCH聚類算法[J]. 蔣盛益,李霞.  計(jì)算機(jī)應(yīng)用. 2009(01)
[4]一種基于K-Means局部最優(yōu)性的高效聚類算法[J]. 雷小鋒,謝昆青,林帆,夏征義.  軟件學(xué)報(bào). 2008(07)
[5]最小支持向量機(jī)在系統(tǒng)逆動(dòng)力學(xué)辨識(shí)與控制中的應(yīng)用[J]. 沈曙光,王廣軍,陳紅.  中國電機(jī)工程學(xué)報(bào). 2008(05)
[6]聚類算法研究[J]. 孫吉貴,劉杰,趙連宇.  軟件學(xué)報(bào). 2008(01)
[7]基于在線最小二乘支持向量機(jī)的廣義預(yù)測(cè)控制(英文)[J]. 李麗娟,蘇宏業(yè),諸建.  自動(dòng)化學(xué)報(bào). 2007(11)
[8]BIRCH聚類算法優(yōu)化及并行化研究[J]. 朱映輝,江玉珍.  計(jì)算機(jī)工程與設(shè)計(jì). 2007(18)
[9]基于最小二乘支持向量機(jī)的T-S模型在線辨識(shí)[J]. 丁學(xué)明.  信息與控制. 2007(04)
[10]改進(jìn)的k-平均聚類算法研究[J]. 孫士保,秦克云.  計(jì)算機(jī)工程. 2007(13)

博士論文
[1]基于模糊聚類的非線性系統(tǒng)辨識(shí)研究[D]. 施建中.華北電力大學(xué) 2012
[2]聚類分析及其應(yīng)用研究[D]. 唐東明.電子科技大學(xué) 2010

碩士論文
[1]基于分階段的LSSVM發(fā)酵過程建模[D]. 楊小梅.大連理工大學(xué) 2013
[2]數(shù)據(jù)挖掘中聚類分析算法的研究與應(yīng)用[D]. 李仁義.電子科技大學(xué) 2012



本文編號(hào)：3361751