支持向量机α阶逆系统控制-离散非线性系统

针对传统逆系统方法中逆模型难以建立的问题，提出了基于最小二乘支持向量机（LS-SVM）的α阶时延逆系统控制方法.通过分析LS-SVM的函数拟合特性，以离散非线性系统为例，证明了基于LS-SVM阶时延逆系统存在的充分条件.利用具有径向基(RBF)核函数的LS-SVM，离线建立了被控对象的非线性逆模型.把得到的逆系统串连在原系统之前，得到基本上线性化的伪线性复合系统，将复杂的非线性问题转化为线性问题，利用线性系统的理论实现了伪线性系统的综合.仿真结果表明，该方法适应于较一般的离散非线性系统，且在没有被控对象先验知识的情况下，能准确地建立非线性系统的逆模型.     

支持向量机α阶逆系统解耦控制方法

为了解决采用传统逆系统方法难以建立逆模型的困难,提出了基于支持向量机(SVM)的α阶逆系统解耦控制方法.在被控对象精确模型未知的情况下,根据SVM的非线性辨识原理,利用具有高斯核函数的SVM离线建立被控对象的非线性逆模型,根据逆系统方法原理,将得到的SVM逆模型串联在原系统之前,将复杂的非线性多变量系统解耦成多个相对独立的单输入输出伪线性子系统.通过对一个典型的两输入两输出强耦合非线性系统进行仿真，结果表明,在没有系统模型先验知识的情况下，利用该方法能够建立准确的非线性系统的逆模型.基于SVM的α阶逆系统解耦控制方法适用于较一般的离散非线性系统，且结构简单，易于工程实现.     

航天器非线性神经元控制方法研究

针对航天器控制问题,提出了一种非线性动态逆与状态反馈控制相结合的神经元控制系统设计方案,并成功的将其应用于登月舱软着陆过程的控制问题.该方案包含两部分:①应用神经元网络通过学习建立被控系统的非线性动态逆模型,实现被控非线性系统的线性化;②在线性化模型的基础上构造系统的神经元最优状态反馈控制器.本文给出的仿真结果显示出神经计算学在航天器控制问题中所具有的潜在能力.     

基于LS-SVM的模糊控制器研究

探讨了利用最小二乘支持向量机(LS-SVM)进行模糊控制器分析与设计研究的方法,提出了基于LS-SVM模型的模糊控制算法.该控制器融合了模糊控制与支持向量机的优点,具有不依赖被控对象模型、泛化能力强等特点.仿真结果表明,LS-SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力.基于LS-SVM的模糊控制器具有很好的控制性能.     

基于支持向量回归的自适应逆控制方法

将支持向量回归引入逆控制,提出了一种基于支持向量回归的自适应逆控制方法。采用支持向量回归在线辨识算法建立被控对象的逆模型,然后将逆模型作为控制器进行复制去驱动被控对象,从而完成一个自适应逆控制过程。由于支持向量回归是建立在小样本基础上的一种学习方法,因此较好地解决了对于线性系统自适应滤波算法存在的运算量大,权值失调及自适应过程时间长等问题。对于非线性系统,与现有的神经网络方法相比,该方法能提高收敛速度及逼近能力,而且具有更好的推广能力。仿真结果表明,应用该方法可以取得良好的控制效果,并具有较好的鲁棒性能。     

基于Wiener模型的非线性预测函数控制

针对传统的预测函数控制对非线性强、结构多变的实际对象控制效果不佳问题,提出了一种基于Wiener模型的非线性预测函数控制(PFC)方法。通过引入支持向量机回归方法,建立Wiener模型中非线性部分的逆模型,在输出反馈和参考轨迹上分别添加一个Wiener模型中非线性部分的逆模型,将非线性预测函数控制转化为线性预测函数控制,用线性优化算法解决非线性预测函数控制问题,避免了复杂的非线性优化。pH中和过程的计算机仿真结果表明,该方法比PID控制效果更好,而且对模型失配具有很好的自适应性能。     

QDPSO滚动优化的LS-SVM预测控制研究

针对非线性强时滞系统,传统的预测控制算法难以建立精确模型,其控制精度不高。提出一种基于最小二乘支持向量机(LS-SVM)的非线性模型预测控制算法,该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习,构建其离线的预测模型,然后运用量子粒子群优化(QDPSO)算法来完成整个滚动优化的过程。仿真结果表明基于LS-SVM的非线性模型预测控制比动态矩阵控制具有更好的控制品质。     

空气重介流化床的基于逆系统方法的内模控制

为了提高大型空气重介流化床（ADMFB）的鲁棒性和抗干扰能力，提出了基于人工神经网络（ANN）逆系统方法的内模控制.在分析ADMFB系统可逆性的基础上，该方法利用ANN辨识得到的原系统逆模型与原系统相串连，运用逆系统方法的思想，将该多变量、非线性、强耦合的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（SISO）的伪线性子系统，对求得的伪线性系统采用该方法进行控制.ADMFB的仿真结果表明，该方法不依赖于系统的精确数学模型，对恒值扰动具有良好的抑制能力，并当非线性参数发生变化或逆系统存在建模误差时，由该方法设计的闭环系统均具有良好的鲁棒稳定性.     

一种基于即时学习的多模型在线建模方法

针对复杂非线性系统的建模问题,基于空间划分树(SP-Tree)和即时学习(lazy learning)的思想,设计了一种多模型在线建模方法.该方法基于分解-合成策略,根据系统输入输出数据,采用即时学习算法建立当前时刻的最佳局部模型,随着系统工作点的移动,滚动建立系统的多个模型,实现对非线性系统的准确建模.在建立邻域的过程中,采用一种基于SP-Tree数据结构的数据库进行分层递阶搜索,有效地提高了在线建模的实时性.最后,通过对一个仿真案例的研究验证了该算法的有效性.     

基于LS-SVM与GPC算法的锅炉燃烧优化控制

基于LS-SVM算法和反馈网络建立了非线性对象全参数动态模型,实现了对非线性系统动态特性的多步预测;考虑控制的实时性,研究了将非线性LS-SVM动态模型在线线性化和构造对象实时线性CARIMA动态模型的方法;并结合GPC算法,提出了LSSVM-GPC动态优化控制策略。文中验证了LSSVM-GPC动态优化控制算法的跟踪能力和抗干扰能力,通过仿真试验给出了该算法对电站锅炉燃烧系统具有优秀的动态调节性能。     

一类非线性系统的自适应控制

文中研究了系数不等的三角型非线性系统，给出了同时包含非线性项不确定性和扰动不确定性系统的自适应控制设计过程，并证明了其稳定性，最后通过仿真示例验证了这种方法的有效性     

一类非线性系统的线性化方法研究

介绍了非线性系统转换为线性系统的条件,提出了非线性系统线性化的一种简便方法。运用Simulink构建参数未知的非线性对象及其自适应控制律的数学模型,并对其仿真结果进行了研究,证明了本文提出的非线性方法的可行性。     

利用自振的耦合非线性系统研究

本文提出一种利用自振的双输入一双输出耦合非线性系统的研究方法,导出了耦合非线性系统产生自振的解析条件,确定了耦合程度及系统参数与自振参数之间的关系;还采用了调究方波占空比分析法及振荡线性化分析法研究自振的耦合系统的等效线性化模型。     

一种基于支持向量机的非线性系统辨识方法

提出一种新的非线性系统辨识方法,基于支持向量机回归算法,选取高斯核函数构造了从输入空间到高维特征空间的非线性映射,以避免繁琐的运算,实现对非线性系统的辨识。仿真结果表明了SVM具有很好的拟合和泛化能力,同基于神经网络的非线性系统辨识相比,其辨识和泛化性能要优于神经网络。支持向量机的使用为工业过程的系统辨识提供了一条新的途径。     

一类非线性等式与不等式组相容的充要条件

讨论了一类非线性等式与不等式组的相容性，给出了其相容的充要条件。     

非线性体系动力可靠性分析的等效Duffing体系法

等效线性化法是非线性结构体系的随机反应分析最常用的方法,但使用等效线性化法给出的反应结果进行结构动力可靠性分析会带来很大的误差.将一般非线性体系通过均方最小误差原则等效为Duffing非线性体系来进行结构动力可靠性分析.Duffing非线性体系可以通过FPK方程求得其稳态精确解析解,所以使用该等效非线性法进行结构动力可靠性分析不仅计算上方便可行而且精度较高.算例分析表明了等效非线性法分析结果可靠,且比等效线性化法的计算精度有明显提高.     

遗传算法在非线性系统辨识中的应用研究

系统辨识是控制系统设计的基础,对于非线性系统辨识,传统的辨识方法往往得不到全局优解,为此,提出了基于遗传算法的非线性系统辨识方法。遗传算法在解空间中多点寻优工作对象是参数编码集、不需要导数信息和其它辅助信息,用概率性规则指导搜索,国而具用强的鲁棒 和广泛的适应性。     

基于RBF网络的非线性动力系统辨识方法的改进

基于资源分配网络（ＲＡＮ）的增长标准并结合隐单元的修剪 策略,提出了同时具有增长及修剪功能的径向基函数（ＲＢＦ）网络结构学习方案。利用该方案进行了非线性时间序列的建模以及振动系统中的未知非线性力的识别。结果表明：提出的网络结构８学习算法是有效的;ＲＢＦ网络对非线性时间序列具有很高的建模精度 ;振动系统未知非线性力的神经网络识别法是可行的。     

恒压下邻、间、对硝基氯苯三元体系汽液平衡研究

用自行设计的平衡釜测定了邻、间、对硝基氯苯三元体系于100mmHg 柱恒压下的汽液平衡数据。根据热力学相平衡原理,计算出各组分液相活度系数,证明了该三元体系为完全理想系.另外又通过牛顿迭代法计算出平衡温度和汽相组成,计算结果和实测数据符合良好,能够满足工程设计的需要。     

一类非线性差分系统的持久性

得到了三维非线性差分系统持久性的一个充分条件,推广了已有文献中的部分结果.