基于最小二乘算法的模糊支持向量机控制器及其应用

介绍了一种基于最小二乘算法的模糊支持向量机控制器,它将模糊控制与支持向量机结合起来,融合了两者的优点,既有不依赖被控对象模型又有泛化能力强等特点。同时采用混合学习算法来优化控制器参数,即先采用最小二乘算法离线优化支持向量机(SVM)性能参数,建立SVM控制系统,再根据对象的变化,采用遗传(GA)算法在线学习优化SVM性能参数和模糊比例因子,以使控制器的性能能适应对象的变化而达到最优。火电厂主汽温控制的仿真结果表明这种控制器具有良好的控制性能。

基于SVM的改进RBF网络板形模式识别方法

为了提高带钢生产中板形模式识别精度,提出了基于支持向量机(SVM)的改进径向基(RBF)网络板形模式识别方法,由SVM回归确定RBF网络优化的初始参数,解决了传统方法存在的学习时间长、易陷入局部极小值等问题。此外,分别将输入样本与一对互反的基本模式间的模糊距离之差作为RBF网络的三个输入,使输入节点减少一半,进一步简化了网络模型。实验表明,该方法有效地提高了模式识别精度和速度,可推广到其他具有两两互反性基本模式的模式识别系统中。

基于GA算法的FSVM控制器及其在主汽温控制上的应用

介绍了一种模糊支持向量机控制器,它将模糊控制与支持向量机相结合,融合了两者的优点,既不依赖被控对象模型又有泛化能力强等特点。利用遗传算法优化控制器的参数,以使其控制性能能适应对象的变化而达到最优。火电厂主汽温控制的仿真结果表明了这种控制器具有良好的控制性能。