最小二乘小波支持向量机在非线性控制中的应用

结合小波技术和支持向量机,提出了一种基于多维允许小波核的最小二乘小波支持向量机,其小波核函数具有近似正交和适用于信号局部分析的特点。同时,给出了一种有效求解最小二乘小波支持向量机的Cholesky分解算法。将最小二乘小波支持向量机应用在非线性系统的自适应控制上,仿真结果表明,与最小二乘支持向量机、多层前向神经网络或模糊逻辑系统相比,最小二乘小波支持向量机均能给出较好的性能,显示出快速而稳定的学习速度,而且在相同条件下,最小二乘小波支持向量机比最小二乘支持向量机的逼近精确度提高了一个数量级。所提出的用于非线性动态系统自适应控制的最小二乘小波支持向量机方法具有效性和实用性。

基于ADPSO算法优化LSSVM的高速公路交通量预测方法

针对高速公路交通量与其经济影响因素之间的复杂非线性关系,将最小二乘支持向量机(least squares support vector machines,LSSVM)与自适应动态粒子群优化(adaptive dynamic particle swarm optimization,ADPSO)算法相结合,提出一种ADPSO算法优化LSSVM的高速公路交通量新型预测方法.将建模简单、精度高的LSSVM作为预测模型,通过寻优能力优异的ADPSO算法选择LSSVM最优参数.以某市高速公路交通量为例验证模型的有效性.结果表明,所提方法的预测性能较好,适合于高速公路交通量的短期预测.

基于最小二乘支持向量机动态逆的非线性系统自适应控制

提出基于最小二乘支持向量机动态逆的一种非线性系统自适应控制方法.该方法采用最小二乘支持向量机辨识非线性系统的动态逆模型,并将其串联在原系统之前得到复合的伪线性系统.对于建模误差、不确定因素等引起的非线性系统逆误差,采用在线最小二乘支持向量机进行自适应补偿.最小二乘支持向量机的在线参数调整规律由Lyapunov稳定性理论导出,并证明了非线性闭环系统的稳定性.仿真结果证明了该方法的有效性.

超临界压力锅炉给水及过热汽温的自适应逆控制

研究了一种超临界压力锅炉给水及过热汽温的自适应逆控制方法。通过锅炉系统动态特性分析,构造了锅炉给水及过热汽温控制对象逆动力学模型输入向量结构,采用递推最小二乘支持向量机实现逆动力学模型的在线辨识,建立自适应逆控制系统,同时考虑直流锅炉出口汽温以及微过热汽温等对给水量和各级喷水量的共同需要,实现直流锅炉给水及过热汽温的综合控制。仿真试验表明,该控制系统具有良好的控制品质和自适应能力,并能有效地消除汽温分段控制方法中存在的控制量反复振荡现象。

基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模

由于训练样本数量有限,滑动时间窗长度以及监测模型不能自适应调整和更新等因素,传统基于机器学习的刀具磨损预测模型存在精度和效率较低等问题,因此提出了一种基于自适应动态无偏最小二乘支持向量机(ADNLSSVM)的刀具磨损预测模型。采用公开数据库中的铣削加工数据集,通过时频域分析和小波包分解等手段从振动信号中提取特征量,并进一步利用相关性分析从中选择有效特征量作为模型输入。试验结果表明该方法所建模型具有较高的建模效率和预测精度。

基于UKF-LSSVM的燃煤机组NO_x排放浓度预测方法

目前,燃煤机组广泛采用选择性催化还原(SCR)脱硝技术。对燃煤机组NO_x排放浓度进行准确预测,不但有利于进一步提高SCR控制系统的调节品质,而且可以评估现场所收集到的数据是否真实准确,为环保部门对电厂排放NO_x浓度进行监管执法提供依据。提出一种基于无迹卡尔曼滤波最小二乘支持向量机(UKF-LSSVM)的NO_x排放浓度预测方法。基于现场数据和理论分析,确定了脱硝系统动态模型的输入和输出变量。采用无迹卡尔曼滤波(UKF)不断更新核参数σ和其他模型参数α、b,并采用样本更新策略对支持向量进行更新,提高了模型的自适应能力。将该方法用于某300 MW机组脱硝系统的NO_x排放浓度预测。仿真结果表明,所建模型能够准确预测燃煤机组NO_x排放浓度。与原有基于批量最小二乘支持向量机(LSSVM)建立的稳态模型相比,该方法具有更高的预测精度和自适应能力,为进一步研究脱硝系统动态优化控制奠定了基础。

动态自适应粒子群优化算法与最小二乘支持向量机在年径流预测中的应用

针对最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数以及基本粒子群优化算法(PSO)存在早熟收敛等弊端,通过对PSO惯性因子、加速因子以及粒子飞行速度进行动态调整,以及借鉴遗传算法变异思想引入自适应变异算子,对PSO算法进行改进,提出动态自适应粒子群优化算法(DAPSO),利用DAPSO算法优化选择LSSVM惩罚因子和核函数参数,构建DAPSO-LSSVM年径流预测模型,并与PSO算法优化选择LSSVM学习参数的PSO-LSSVM模型以及GA-BP、RBF、BP模型作为对比,以云南省某水文站年径流预测为例进行实例研究,利用实例前30年和后17年资料分别对各模型进行训练和预测。结果表明DAPSO-LSSVM模型对实例后17年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.31%、5.95%,预测精度优于PSO-LSSVM模型,大幅优于GA-BP、RBF和BP模型。DAPSO算法全局寻优能力强、收敛速度快,稳健性能好,利用DAPSO算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。

基于动态补偿的在线LS-SVM逆控制

针对非线性系统直接逆控制方法在应对系统参数变化和外界扰动时系统的动态性能变差甚至出现不稳定问题,提出一种基于动态补偿的在线LS-SVM逆控制。在引入LS-SVM建立逆模型的同时,将无模型自适应控制方法作为附加控制器,在控制误差大于不敏感函数时,利用增量学习算法,对LS-SVM逆控制实施在线学习,用于模型偏离被控对象时在线修正逆模型。仿真结果表明,提出的方法对系统参数摄动具有较好的鲁棒性,保持了较好的跟踪效果,具有较好的实时性和在线校正功能。

动态补偿逆的非线性不确定系统LS-SVM内模控制

针对非线性不确定系统和传统的非线性内模控制在控制上存在的不足,提出一种基于动态补偿逆的非线性不确定系统LS-SVM内模控制,在引入LS-SVM建立逆模型的同时,将无模型自适应控制方法作为附加控制器,用于模型偏离被控对象时在线修正逆模型.仿真结果表明,提出的方法不仅对系统的常量摄动具有较好的鲁棒性,对时变不确定性仍然保持较好的跟踪效果,具有较好的实时性、鲁棒性和在线校正功能.