支持向量回歸在預(yù)測(cè)控制中的應(yīng)用研究.pdf

1、統(tǒng)計(jì)學(xué)在解決機(jī)器學(xué)習(xí)問題中起著基礎(chǔ)性的作用，傳統(tǒng)統(tǒng)計(jì)學(xué)主要研究漸近理論，即當(dāng)訓(xùn)練樣本數(shù)目趨向無窮大時(shí)的統(tǒng)計(jì)性質(zhì)。但實(shí)際問題中可用樣本數(shù)目通常是有限的，因此一些理論上很優(yōu)秀的學(xué)習(xí)方法實(shí)際中表現(xiàn)得卻可能不盡人意。統(tǒng)計(jì)學(xué)習(xí)理論系統(tǒng)地研究了機(jī)器學(xué)習(xí)問題，尤其是有限樣本下的統(tǒng)計(jì)學(xué)習(xí)問題。在該理論的框架下產(chǎn)生了“支持向量機(jī)”這一新的通用機(jī)器學(xué)習(xí)方法。它植根于統(tǒng)計(jì)學(xué)習(xí)理論的vC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間

2、尋求最佳折衷，以獲得最好的推廣能力。 本文首先將支持向量回歸算法應(yīng)用于時(shí)間序列預(yù)測(cè)，通過仿真驗(yàn)證了支持向量回歸具有很好的非線性逼近能力和泛化能力，并分析得出支持向量回歸之所以能更好地實(shí)現(xiàn)對(duì)時(shí)間序列擬合及其預(yù)測(cè)的原因，同時(shí)指出支持向量回歸算法存在的不足。針對(duì)支持向量機(jī)二次規(guī)劃(OP)算法處理大規(guī)模數(shù)據(jù)計(jì)算復(fù)雜度高的問題，介紹了適宜處理大規(guī)模數(shù)據(jù)的序列最小優(yōu)化(SMO)算法，并對(duì)該算法在算法和程序設(shè)計(jì)上進(jìn)行改進(jìn)，使運(yùn)算速度和預(yù)測(cè)精度

3、得到了較大提高。 基于支持向量回歸的辨識(shí)研究基本上都為離線辨識(shí)，其原因在于支持向量回歸處理大批數(shù)據(jù)時(shí)存在耗時(shí)長及內(nèi)存開銷大的問題，不能滿足實(shí)時(shí)計(jì)算的要求。針對(duì)這個(gè)問題提出了基于支持向量回歸的限定記憶在線辨識(shí)算法，該算法有效地避免了內(nèi)存開銷大的問題，滿足了在線辨識(shí)實(shí)時(shí)性的要求，為將支持向量回歸應(yīng)用于控制研究奠定了基礎(chǔ)。 本文分析了內(nèi)?？刂频墓ぷ髟砗吞攸c(diǎn)，利用支持向量回歸具有很好的非線性逼近能力的特性，將支持向量回歸理論應(yīng)

4、用于內(nèi)模控制。提出了一種支持向量回歸內(nèi)?？刂?SVR-IMC)的設(shè)計(jì)方法：采用支持向量回歸在線辨識(shí)算法建立被控對(duì)象的正模型，并利用先離線再在線辨識(shí)的方法建立被控對(duì)象的逆模型，即內(nèi)模控制器。SVR-IMC具有較好的魯棒性和抗干擾能力。 動(dòng)態(tài)矩陣控制是預(yù)測(cè)控制算法中的一種，采用工程上易于測(cè)取的對(duì)象階躍響應(yīng)建立預(yù)測(cè)模型，由于干擾和噪聲等因素的影響，預(yù)測(cè)模型與真實(shí)系統(tǒng)往往存在偏差影響控制性能。針對(duì)系統(tǒng)的建模誤差，本文提出一種基于支持向量