基于支持向量機(jī)的非線性系統(tǒng)建模與預(yù)測控制.pdf

1、傳統(tǒng)統(tǒng)計(jì)學(xué)研究的是假設(shè)樣本數(shù)目趨于無窮大時(shí)的漸近理論，現(xiàn)有的機(jī)器學(xué)習(xí)理論都是基于這個(gè)假設(shè)；而統(tǒng)計(jì)學(xué)習(xí)理論研究的是小樣本情況下的機(jī)器學(xué)習(xí)理論，這對于實(shí)際系統(tǒng)來說是有利的。支持向量機(jī)（SVM）就是在這一基礎(chǔ)上發(fā)展起來的新一代學(xué)習(xí)算法，它由Vapnik等人于1992年在計(jì)算機(jī)學(xué)習(xí)理論會(huì)議上提出。支持向量機(jī)具有訓(xùn)練樣本小、擬合精度高、全局最優(yōu)、泛化性好等特點(diǎn)，但將其用于控制方面的研究還是起步階段，故本文考慮將支持向量機(jī)用于預(yù)測控制方面的研究。

2、 本文詳細(xì)地介紹了統(tǒng)計(jì)學(xué)習(xí)理論和支持向量機(jī)基本原理，闡述了支持向量機(jī)回歸的實(shí)現(xiàn)過程；研究了支持向量機(jī)回歸建模；并且對采用支持向量機(jī)建立的模型進(jìn)行預(yù)測控制。具體內(nèi)容可以概括如下： 首先利用支持向量機(jī)進(jìn)行系統(tǒng)建模研究；闡述了支持向量機(jī)回歸原理，并且研究了采用支持向量機(jī)的系統(tǒng)建模以及建模過程中存在的問題，分析了影響模型精度的幾個(gè)因素；其次，本文研究了支持向量機(jī)改進(jìn)學(xué)習(xí)方法。由于常規(guī)的支持向量機(jī)算法對于樣本數(shù)目較大時(shí)，訓(xùn)練時(shí)間較長

3、。本文根據(jù)現(xiàn)有的方法，仿真研究了幾種改進(jìn)學(xué)習(xí)算法，如增量法和分塊算法。實(shí)驗(yàn)證明這些方法在訓(xùn)練時(shí)間上大大縮短了；再次，本文提出支持向量機(jī)在線學(xué)習(xí)方法。由于在線建模最重要的特征是實(shí)時(shí)性，常規(guī)的支持向量機(jī)學(xué)習(xí)方法訓(xùn)練時(shí)間長，不能滿足實(shí)時(shí)性的要求。本文根據(jù)增量學(xué)習(xí)方法提出了在線學(xué)習(xí)方法，通過仿真研究，證實(shí)了在線學(xué)習(xí) 方法的有效性；最后，本文將支持向量機(jī)用于預(yù)測控制研究。利用支持向量機(jī)具有很好的非線性建模特性，本文采用支持向量機(jī)對PH中和