一种基于支持向量机的内模控制方法

在基于数据的基础上,采用SVM回归理论建立系统的正向模型和设计逆模控制器.首先简要介绍了SVMR的原理,然后将其应用于内模控制问题,并建立了SVMR模型.其次,在控制过程可逆的条件下设计了SVMR控制器.最后将该控制方法应用于一可逆非线性系统和具未知干扰的温室环境控制问题,仿真结果表明该方法与神经网络IMC相比,具有较简单的模型和较好的控制性能.     

基于支持向量机的一类混沌系统自适应逆控制

本文研究了基于支持向量机回归自适应逆控制的混沌控制方法,用支持向量机建立系统的辨识器,同时在控制过程可逆的条件下设计基于支持向量回归的系统逆控制器.将该自适应逆控制的方法应用于Lorenz混沌系统的控制,仿真结果表明在系统带有不确定性和测量噪声的情况下,该方法可以有效的将混沌系统的状态控制到给定状态.     

非线性不确定系统的OS-LSSVMR内模控制

针对非线性、不确定性对象内模控制不易精确建模的问题,提出OS-LSSVMR(online-sparse-least-squares-support-vector-machines-regression)在线调整模型的内模控制方法.首先介绍一种具有在线建模和稀疏性解的OS-LSSVMR;再采用OS-LSSVMR建立内模控制的正向模型,对模型可逆并且唯一的非线性系统设计逆模控制器;在模型偏离被控对象时在线修正正逆模型.仿真表明,该方法对非线性不确定性系统具有较好的实时性、鲁棒性和在谮线校正功能.     

基于LS-SVM非线性内模控制在焊缝跟踪中的运用

针对单纯的模糊控制器在焊接机器人的焊缝跟踪中的控制精度欠佳、自适应性不强等问题,设计了一种新的用于焊缝跟踪的LS-SVM非线性内模控制器。通过样本数据建立系统固定的LS-SVM逆模型,与系统串联成精确的伪线性系统,对伪线性系统采用鲁棒性强的内模控制。仿真结果表明该方法具有很好的跟踪结果。     

基于支持向量机的非线性内模解耦控制

针对非线性内模控制在应用于多变量系统时逆模型难以建立的问题, 提出了支持向量机α阶逆系统的内模解耦控制方法. 该方法利用支持向量机辨识非线性系统的逆模型, 并将其串连在原系统之前, 运用逆系统方法的思想, 将一个多变量、非线性、强耦合的复杂系统通过反馈线性化解耦成多个相互独立的单输入单输出的伪线性复合子系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真试验表明该方法不需要系统精确的数学模型, 较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决多变量非线性系统控制的一种可行的理论方法.     

基于GA-SVM逆系统的机械臂内模控制

六自由度机械臂系统具有强耦合、多输入多输出、非线性的特性,且难以求解精确的动力学模型。针对上述问题,提出了一种基于GA-SVM逆系统的六自由度机械臂内模控制方法。将逆系统方法用于六自由度机械臂的解耦可以有效简化控制器的设计,为了避免逆系统方法复杂的解析过程,采用基于支持向量机(SVM)辨识逆系统模型以实现解耦,并用遗传算法(GA)优化SVM系统参数以提高模型的准确性。同时,为了弥补SVM辨识逆系统的误差以及抑制系统存在的扰动,设计内模控制器以保证系统的鲁棒性和稳定性。实验结果表明,该方法不需要知道六自由度机械臂的数学模型和内部结构,也能实现各关节位置的快速精确定位控制,且具有良好的鲁棒性,结构简单,需要调节的参数少,易于工程实现。     

基于支持向量机的一类非线性系统预测控制

针对一类具有输出反馈耦合的离散非线性系统,将过程的非线性部分通过支持向量机转化为全局线性状态空间模型,并在目标函数中引入系统状态的变化,给出一种类似于离散PI最优调节器的新型预测控制器.该方法不需要在线辨识系统参数,因为系统的内模已转换成全局离线模型.由于引入了新的优化目标函数,该控制器的控制效果和鲁棒性优于仅考虑预测输出误差的传统预测控制器.仿真结果表明,它也优于经典离散PI最优调节器.     

基于逆系统多模型内模主动容错控制

针对现有非线性系统对故障容错的快速性和可靠性不足,从而导致容错失败的问题,为解决上述问题,研究了一类具有可能故障先验知识的非线性系统,提出了一种基于最小二乘支持向量机(LS-SVM)建模的逆系统多模型内模主动容错控制方法.采用 LS-SVM 对系统正常以及各种先验故障情形的逆系统进行建模,构造系统的逆模型库,根据逆系统方法将逆模型与被控系统串联形成伪线性系统,设计具有良好鲁棒性能的内模控制器.系统在线运行时,监控决策机制基于对系统性能指标的仿真计算,结果表明在无需改变内模控制器的情况下达到对非线性系统故障容错的快速性和可靠性,证明方法的有效性.     

支持向量机的内模控制器在集气管压力中应用

焦炉集气管压力控制系统是炼焦自动化生产过程中的重要组成,该系统具有非线性、时变性和强扰动等特点。传统的常规PID控制已不能满足现场复杂生产工艺的要求。文中设计采用基于最小二乘支持向量机LS_SVM的内模控制器IMC,应用于焦炉集气管压力控制系统,具有调节性能好、鲁棒性强、以及能消除不可测干扰等优点。仿真结果表明,该控制器具有较简单的模型和良好的控制性能。     

一种基于遗传算法的模糊内模控制方法

针对一类非线性过程,提出了基于T-S模糊模型的非线性内模控制方法.使用遗传算法和模糊聚类方法进行模糊建模,解决了非线性内模控制方法中建立精确的模型及其逆模型困难的问题.通过模糊辨识获得过程的T-S模型及逆模型,并以此设计了内模控制器.最后,将该方法应用于一类非线性过程的控制,仿真结果表明该方法的有效性.     

基于支持向量机逼近的内模控制系统及应用

针对同步发电机组汽门系统, 文章研究了一种基于支持向量机逼近的内模控制系统. 所研究的控制系统包括两个主要部分: 支持向量机逼近逆控制器、内模框架下的不确定性补偿. 由基于泰勒扩展的输入输出逼近模型计算逆控制律, 并由非线性系统辨识来实现. 同时, 采用一个鲁棒滤波器实现内模框架下的不确定性补偿. 针对汽门系统的仿真实验验证了该控制系统的优良性能.     

用虚拟目标值和支持向量机直接设计非线性控制器

对于复杂被控对象, 通常采用间接方法设计控制系统. 由于必须首先辨识对象模型, 因此这类方法往往耗时较多. 本文基于虚拟目标值反馈调整(VRFT)方法的思想, 利用支持向量机(SVM), 给出一种非线性控制器直接设计方法. 论文首先分析了VRFT方法与内模控制的关系, 接着给出了基于虚拟目标值(VR)和SVM的非线性控制器的结构和设计步骤. 仿真结果表明, 该方法具有良好的处理非线性和噪声的能力, 并且能消除稳态误差. 与经典基于神经网络(NN)的间接模型参考控制方法相比, 计算量大大降低.     

基于LS-SVM/PID复合逆系统的预测控制

为了提高预测控制算法的控制性能,提出一种基于最小二乘支持向量机(LS-SVM)/PID复合逆系统的预测控制算法。该算法在PID控制的基础上,利用LS-SVM离线建立被控对象的非线性逆模型作为前馈控制器,形成直接逆控制,其克服了逆系统方法鲁棒性不强的缺陷,并与原系统串联构成一个伪线性系统;然后,结合预测控制算法实现系统的预测控制。仿真结果表明,该算法具有较好的跟踪性能和抗干扰能力。     

Support vector machine-based multi-model predictive control

In this paper, a support vector machine-based multi-model predictive control is proposed, in which SVM classification combines well with SVM regression. At first, each working environment is modeled by SVM regression and the support vector machine network-based model predictive control （SVMN-MPC） algorithm corresponding to each environment is developed, and then a multi-class SVM model is established to recognize multiple operating conditions. As for control, the current environment is identified by the multi-class SVM model and then the corresponding SVMN-MPC controller is activated at each sampling instant. The proposed modeling, switching and controller design is demonstrated in simulation results.     

基于支持向量机α阶逆系统方法的非线性内模控制

为了提高传统逆系统方法的鲁棒性和抗干扰能力, 提出了基于支持向量机α阶逆系统方法的非线性内模控制新方法. 该方法利用支持向量机辨识非线性系统的α阶逆模型, 并将其串连在原系统之前得到复合的伪线性系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真结果证明了该方法的有效性. 理论分析和仿真结果均表明, 该方法不依赖于系统的模型, 且较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决非线性系统控制的一种可行的理论方法.