基于支持向量機的非線性動態(tài)系統(tǒng)辨識與控制.pdf

1、 支持向量機是一種普適的學(xué)習(xí)算法，已經(jīng)廣泛地用于模式識別、回歸估計、函數(shù)逼近、密度估計等方面。本文將支持向量機應(yīng)用到非線性動態(tài)系統(tǒng)的辨識與控制中。針對某些特殊的非線性動態(tài)系統(tǒng)，改進了支持向量機的輸出模型，得到更適合于該類系統(tǒng)的支持向量機模型。對多分類問題，提出了類似Byesian分類器的算法。具體的工作如下： 一、本文首先采用標(biāo)準(zhǔn)支持向量機辨識非線性動態(tài)系統(tǒng)的正向模型和逆模型，并基于估計的系統(tǒng)逆模型來實現(xiàn)對參考模型的跟蹤控

2、制。仿真實驗驗證了在噪聲干擾不太強的情況下，采用標(biāo)準(zhǔn)支持向量機辨識和控制非線性動態(tài)系統(tǒng)是可行的，且具有較好的推廣能力和收斂性。 二、針對可分離的非線性動態(tài)系統(tǒng)，本文通過修改標(biāo)準(zhǔn)支持向量機的輸出模型，提出了可分離支持向量機回歸估計方法，并將它用于可分離非線性動態(tài)系統(tǒng)的辨識和控制。由于在模型表示中引入了可分離的先驗知識，避免了辨識過程中輸入變量和輸出反饋變量之間的相互影響，從而獲得了更高的辨識精度。另外在可分離非線性動態(tài)系統(tǒng)模型中，

3、控制律的求解與輸出反饋沒有關(guān)系也大大簡化了控制律的求解。仿真實驗表明，與標(biāo)準(zhǔn)支持向量機方法相比，由于采用可分離的先驗知識，可分離支持向量機具有更好的辨識和控制精度；與同樣結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)方法相比，可分離支持向量機方法具有更好的推廣能力和收斂特性。 三、針對已獲得廣泛研究的仿射非線性動態(tài)系統(tǒng)，本文通過修改標(biāo)準(zhǔn)支持向量機的輸出模型，提出了兩種仿射支持向量機回歸估計方法，并將它用于仿射非線性動態(tài)系統(tǒng)的辨識和控制，以及一般非線性動態(tài)系統(tǒng)的

4、近似辨識和控制。仿真實驗表明采用仿射支持向量機回歸估計方法辨識和控制仿射非線性系統(tǒng)或者近似辨識和控制一般的非線性系統(tǒng)都是可行的。它與同樣結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)方法相比，具有更好的推廣能力、收斂特性和魯棒性。 四、對一個多分類問題，本文首先將它分解成多個兩類問題，分別采用標(biāo)準(zhǔn)的二分支持向量機進行識別，并為二分支持向量機的輸出賦予一個二分后驗概率。由于多類問題和由其分解的兩類問題條件概率的一致性，本文進一步根據(jù)二分后驗概率計算多分類器輸出的