不同核支持向量回归机在模型预测控制中的应用研究

发布时间：2017-09-30 04:32

  本文关键词：不同核支持向量回归机在模型预测控制中的应用研究

  更多相关文章： 非线性系统 模型预测控制 支持向量回归 核函数 在线 多步

【摘要】：近几十年来,模型预测控制(Model Predictive Control,MPC)发展迅猛,在理论研究及实际应用中都取得了显著的成效。但是,由于非线性系统的精确模型及全局最优解难以获得,MPC在非线性系统中的局限性日益明显。由Vapnik于1995年提出的支持向量回归机(Support Vector Regression,SVR)为MPC在非线性系统中的应用带来了希望,两者的结合受到众多学者的关注,成为相关领域的研究热点。针对应用于MPC的SVR的核函数均采用二次核函数及SVR训练算法基本为离线训练,建立的模型难以适应非线性系统的时变性且整体性能不够优良等问题,本文在前人研究基础上主要针对核函数的优化选取对SVR性能的影响及非线性系统MPC中离线建立的模型容易失配等问题进行研究。提出了以不同核SVR及在线SVR作为预测模型,并利用多智能体粒子群(Multi-Agent Particle Swarm Optimization Algorithm,MAPSO)算法对MPC中滚动优化部分的控制律寻优的方法。主要的工作内容如下:(1)考虑到不同核函数的选取对SVR综合性能的影响以及近年来应用于模型预测控制中的SVR皆是单一的使用二次核函数这一情况,分别将多次核SVR及RBF核SVR应用于非线性系统模型预测控制(Nonlinear Model Predictive Control,NMPC)中。同时,由于核函数(多项式、RBF)自身表达式的复杂性,在MPC滚动优化部分引入MAPSO算法求解最优控制律。针对基于MAPSO的多次核SVR及RBF核SVR模型预测控制进行仿真分析,并分别与基于二次核SVR的模型预测控制、基于SVR的逆模型控制算法比较,结果表明所提方法在预测精度、抗干扰等方面上的优势。(2)在研究离线SVR基础上,考虑到离线建立的模型难以适应实际中非线性对象的实时变化及单步预测中系统前后状态联系不紧密问题,提出基于MAPSO的在线SVR(Online Support Vector Regression,OSVR)多步模型预测控制。针对基于MAPSO的在线SVR多步模型预测控制进行了仿真分析,并与基于SVR及基于GA的OSVR模型预测控制等方法进行比较,仿真结果表明该方法的优越性。
【关键词】：非线性系统 模型预测控制 支持向量回归 核函数 在线 多步
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP273
【目录】：

• 摘要3-4
• Abstract4-10
• 注释表10-11
• 第1章 绪论11-16
• 1.1 研究背景及研究基础11-12
• 1.2 模型预测控制概述12-14
• 1.2.1 模型预测控制原理12-13
• 1.2.2 模型预测控制机理13
• 1.2.3 单步及多步模型算法控制13-14
• 1.3 论文结构体系14-16
• 第2章 支持向量机16-27
• 2.1 支持向量机概述16-23
• 2.1.1 统计学习理论16-18
• 2.1.2 支持向量分类机18-21
• 2.1.3 支持向量回归机21-23
• 2.2 支持向量回归机核函数选择23-26
• 2.3 本章小结26-27
• 第3章 基于多智能体PSO的SVR单步模型预测控制27-49
• 3.1 多智能体粒子群算法27-32
• 3.1.1 标准粒子群算法(PSO)27-29
• 3.1.2 多智能体粒子群算法(MAPSO)29-31
• 3.1.3 MAPSO算法流程31-32
• 3.2 基于多智能体PSO优化的多项式核SVR单步模型预测控制32-41
• 3.2.1 算式推导32-35
• 3.2.2 算法步骤35-36
• 3.2.3 实例分析36-41
• 3.3 基于多智能体PSO优化的RBF核SVR单步模型预测控制41-48
• 3.3.1 算式推导41-44
• 3.3.2 算法步骤44-45
• 3.3.3 实例分析45-48
• 3.4 本章小结48-49
• 第4章 基于多智能体PSO的在线SVR多步预测控制49-63
• 4.1 在线支持向量回归机49-53
• 4.1.1 获取增量50-52
• 4.1.2 样本移动52
• 4.1.3 矩阵有效运算52-53
• 4.2 基于多智能体PSO优化的在线SVR多步模型预测控制53-62
• 4.2.1 算式推导53-57
• 4.2.2 算法步骤57
• 4.2.3 实例分析57-62
• 4.3 本章小结62-63
• 第5章 总结与展望63-66
• 5.1 研究工作总结63-64
• 5.2 前景展望64-66
• 致谢66-67
• 参考文献67-71
• 附录：攻读硕士学位期间发表的论文及专利71

【参考文献】

中国期刊全文数据库 前10条

1 唐贤伦;李洋;李鹏;张毅;;基于多Agent粒子群优化的多步SVR模型预测控制[J];系统工程与电子技术;2014年05期

2 唐贤伦;李洋;李鹏;刘念慈;;多智能体粒子群优化的SVR模型预测控制[J];控制与决策;2014年04期

3 刘文龙;;基于T-S模糊模型的多变量非线性预测控制[J];电子测量与仪器学报;2013年10期

4 陈进东;潘丰;;基于在线支持向量机和遗传算法的预测控制[J];系统工程与电子技术;2013年06期

5 程森林;师超超;;BP神经网络模型预测控制算法的仿真研究[J];计算机系统应用;2011年08期

6 赵明渊;唐勇;傅，

本文编号：946189