基于聚类分析和LSSVM的非线性系统辨识
发布时间：2021-08-25 08:16
在现实的生产过程中，由于大部分受控制对象具有很强的非线性、模型不确定性等特点，难以对非线性过程实施优化控制，而建模是控制的基础，辨识是建模的关键，故对非线性系统辨识的研究是至关重要的。传统系统辨识方法对于线性系统的辨识具有较好的效果，但是对非线性系统辨识效果不明显。基于神经网络等的人工智能辨识方法和支持向量机的辨识方法得到了一些应用，但神经网络辨识存在过学习和局部极值等弊端，尽管支持向量机（SVM）辨识方法克服此类缺点，但针对数据特征不明显的系统，辨识效果不理想。本课题在研究SVM的基础上提出了以聚类分析和最小二乘支持向量机为依据的非线性系统辨识方法。主要工作如下：首先，对具有代表性的几种聚类分析算法进行研究，给出每种聚类分析算法研究的基本思想和具体算法步骤，最重要的是模糊C-均值算法。通过仿真实验比较各种方法的优缺点，选择最优的聚类方法为后续章节的研究奠定理论基础。其次，利用支持向量机和最小二乘支持向量机分别对逆模型系统进行辨识，并进行仿真实验和结果分析。结果证明了最小二乘支持向量机方法具有计算速度快，泛化能力强和辨识精度高的优点。最后，对T-S模糊模型的辨识进行深入研究。本文中利用...
【文章来源】：河南师范大学河南省
【文章页数】：58 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
目录
第一章 绪论
1.1 课题研究的目的及意义
1.2 国内外研究现状
1.2.1 聚类分析基础及研究现状
1.2.2 非线性系统辨识基础及研究现状
1.3 论文各章节内容安排
第二章 聚类分析算法研究
2.1 常用的硬划分聚类分析算法
2.1.1 基于 K-均值划分方法
2.1.2 BIRCH 算法
2.1.3 DBSCAN 算法
2.2 模糊聚类分析算法
2.2.1 模糊聚类理论基础
2.2.2 模糊 C-均值算法
2.3 聚类分析算法的仿真实验
2.4 本章小结
第三章 基于 LSSVM 的系统辨识
3.1 基于 SVM 的系统辨识
3.1.1 SVM 基本原理
3.1.2 基于 SVM 系统辨识
3.1.3 基于 SVM 系统辨识结果分析
3.2 基于 LSSVM 的系统辨识
3.2.1 LSSVM 基本原理
3.2.2 最小二乘支持向量机模型参数
3.2.3 基于 LSSVM 系统辨识
3.2.4 基于 LSSVM 系统辨识结果分析
3.3 仿真实验结果分析比较
3.4 本章小结
第四章 基于聚类分析和 LS-SVM 的非线性系统辨识
4.1 T-S 模糊模型
4.2 T-S 模糊模型非线性系统的辨识
4.2.1 模糊模型输入空间的划分
4.2.2 模糊模型的参数估计
4.3 基于聚类分析算法的 T-S 模糊模型结构辨识
4.4 基于最小二乘支持向量机的 T-S 模糊模型的辨识
4.5 仿真实例及结果分析
4.6 本章小结
第五章 总结与展望
5.1 主要研究工作
5.2 工作展望
参考文献
致谢
攻读学位期间的科研成果
【参考文献】：
期刊论文
[1]基于密度的改进BIRCH聚类算法[J]. 韦相. 计算机工程与应用. 2013(10)
[2]基于半监督学习的K-均值聚类算法研究[J]. 刘涛,尹红健. 计算机应用研究. 2010(03)
[3]一种改进的BIRCH聚类算法[J]. 蒋盛益,李霞. 计算机应用. 2009(01)
[4]一种基于K-Means局部最优性的高效聚类算法[J]. 雷小锋,谢昆青,林帆,夏征义. 软件学报. 2008(07)
[5]最小支持向量机在系统逆动力学辨识与控制中的应用[J]. 沈曙光,王广军,陈红. 中国电机工程学报. 2008(05)
[6]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇. 软件学报. 2008(01)
[7]基于在线最小二乘支持向量机的广义预测控制(英文)[J]. 李丽娟,苏宏业,诸建. 自动化学报. 2007(11)
[8]BIRCH聚类算法优化及并行化研究[J]. 朱映辉,江玉珍. 计算机工程与设计. 2007(18)
[9]基于最小二乘支持向量机的T-S模型在线辨识[J]. 丁学明. 信息与控制. 2007(04)
[10]改进的k-平均聚类算法研究[J]. 孙士保,秦克云. 计算机工程. 2007(13)
博士论文
[1]基于模糊聚类的非线性系统辨识研究[D]. 施建中.华北电力大学 2012
[2]聚类分析及其应用研究[D]. 唐东明.电子科技大学 2010
硕士论文
[1]基于分阶段的LSSVM发酵过程建模[D]. 杨小梅.大连理工大学 2013
[2]数据挖掘中聚类分析算法的研究与应用[D]. 李仁义.电子科技大学 2012
本文编号：3361751
【文章来源】：河南师范大学河南省
【文章页数】：58 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
目录
第一章 绪论
1.1 课题研究的目的及意义
1.2 国内外研究现状
1.2.1 聚类分析基础及研究现状
1.2.2 非线性系统辨识基础及研究现状
1.3 论文各章节内容安排
第二章 聚类分析算法研究
2.1 常用的硬划分聚类分析算法
2.1.1 基于 K-均值划分方法
2.1.2 BIRCH 算法
2.1.3 DBSCAN 算法
2.2 模糊聚类分析算法
2.2.1 模糊聚类理论基础
2.2.2 模糊 C-均值算法
2.3 聚类分析算法的仿真实验
2.4 本章小结
第三章 基于 LSSVM 的系统辨识
3.1 基于 SVM 的系统辨识
3.1.1 SVM 基本原理
3.1.2 基于 SVM 系统辨识
3.1.3 基于 SVM 系统辨识结果分析
3.2 基于 LSSVM 的系统辨识
3.2.1 LSSVM 基本原理
3.2.2 最小二乘支持向量机模型参数
3.2.3 基于 LSSVM 系统辨识
3.2.4 基于 LSSVM 系统辨识结果分析
3.3 仿真实验结果分析比较
3.4 本章小结
第四章 基于聚类分析和 LS-SVM 的非线性系统辨识
4.1 T-S 模糊模型
4.2 T-S 模糊模型非线性系统的辨识
4.2.1 模糊模型输入空间的划分
4.2.2 模糊模型的参数估计
4.3 基于聚类分析算法的 T-S 模糊模型结构辨识
4.4 基于最小二乘支持向量机的 T-S 模糊模型的辨识
4.5 仿真实例及结果分析
4.6 本章小结
第五章 总结与展望
5.1 主要研究工作
5.2 工作展望
参考文献
致谢
攻读学位期间的科研成果
【参考文献】：
期刊论文
[1]基于密度的改进BIRCH聚类算法[J]. 韦相. 计算机工程与应用. 2013(10)
[2]基于半监督学习的K-均值聚类算法研究[J]. 刘涛,尹红健. 计算机应用研究. 2010(03)
[3]一种改进的BIRCH聚类算法[J]. 蒋盛益,李霞. 计算机应用. 2009(01)
[4]一种基于K-Means局部最优性的高效聚类算法[J]. 雷小锋,谢昆青,林帆,夏征义. 软件学报. 2008(07)
[5]最小支持向量机在系统逆动力学辨识与控制中的应用[J]. 沈曙光,王广军,陈红. 中国电机工程学报. 2008(05)
[6]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇. 软件学报. 2008(01)
[7]基于在线最小二乘支持向量机的广义预测控制(英文)[J]. 李丽娟,苏宏业,诸建. 自动化学报. 2007(11)
[8]BIRCH聚类算法优化及并行化研究[J]. 朱映辉,江玉珍. 计算机工程与设计. 2007(18)
[9]基于最小二乘支持向量机的T-S模型在线辨识[J]. 丁学明. 信息与控制. 2007(04)
[10]改进的k-平均聚类算法研究[J]. 孙士保,秦克云. 计算机工程. 2007(13)
博士论文
[1]基于模糊聚类的非线性系统辨识研究[D]. 施建中.华北电力大学 2012
[2]聚类分析及其应用研究[D]. 唐东明.电子科技大学 2010
硕士论文
[1]基于分阶段的LSSVM发酵过程建模[D]. 杨小梅.大连理工大学 2013
[2]数据挖掘中聚类分析算法的研究与应用[D]. 李仁义.电子科技大学 2012
本文编号：3361751
本文链接：https://www.wllwen.com/projectlw/xtxlw/3361751.html
