基于在线支持向量机的非线性内模控制

为了提高传统内模控制的鲁棒性和抗干扰能力,采用在线支持向量机回归（Online Support Vector Machine Regression,OSVMR ）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OSVMR的原理和算法,然后将其应用于内模控制问题,并建立了OSVMR模型。其次,在控制过程可逆的条件下设计了OSVMR控制器,最后将该控制方法应用于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RBF神经网络IMC相比,具有较简单的模型和较好的控制性能。     

支持向量机回归理论与控制的综述

支持向量机回归理论与神经网络等非线性回归理论相比具有许多独特的优点.SVMR有线性回归和非线性回归,其模型的选择包括核的选择、容量控制以及损失函数的选择.SVMR在控制方面的研究包括非线性时间序列的预测及应用、系统辨识以及优化控制和学习控制等方面的研究.将SVMR应用于控制方法的研究,是智能控制的一个崭新的研究方向,具有广阔的应用前景.     

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.     

一种基于支持向量机和遗传算法的自适应图像水印方法

提出一种基于支持向量机(SVM)和遗传算法(GA)的离散余弦变换(DCT)域盲数字图像水印方法.该方法能自适应于图像的局部特征.依据图像块的局部特性,利用SVM对图像块分类,自适应地确定水印嵌入强度,GA用来优化水印嵌入位置.实验结果表明该方法有较好的不可见性和较强对抗攻击的鲁棒性.     

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.     

聚合支持向量机分类器的行人检测方法

针对支持向量机分类器的行人检测方法采用欠采样方法,存在正负行人比例不平衡造成的准确率不高问题,结合欠采样和EasyEnsemble方法,提出一种聚合支持向量机（Ensemble SVM）分类器的行人检测方法。随机选择负样本作为初始训练样本,并将其划分为与正样本集均衡的多个子负样本集,构建平衡子训练集,线性组合成EasyEnsemble SVM分类器;利用该分类器对负样本进行分类判断,将误判样本作为难例样本,重新划分构建新的平衡子训练集,训练子分类器,结合EasyEnsemble SVM分类器,得到Ensemble SVM分类器行人检测方法。在INRIA行人数据集上的实验表明,该方法在检测速度和检测率上都优于经典的SVM行人检测算法。     

基于离散化方法的支持向量机集成研究

基于数据离散化方法,提出一种新的支持向量机集成算法,该算法采用粗糙集和布尔推理离散化方法构造有差异的基分类器.并引入一致度指标控制离散化过程,可进一步提高集成学习的分类性能.实验结果表明,该算法不仅具有明显优于单一支持向量机的分类性能.而且能取得比传统集成学习算法Bagging和Adaboost更高的分类正确率.     

一种基于支持向量机的图像边缘检测方法

支持向量机是一种新的机器学习的方法。它以统计学习理论为基础,能够较好地解决小样本的学习问题。由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。支持向量函数回归(SVR)是SVM的一个重要分支,它已经成功地应用于系统识别、非线性系统的预测等方面,并取得了较好的效果。文中通过图像的SVR表示,对SVR图像的边缘检测进行了研究。文中算例说明了该方法在实际应用中的可行性。实验结果表明,该算法能有效提高图像边缘检测效果。同时对其他边缘检测方法有一定的借鉴作用。     

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。     

一种新的模糊支持向量机多分类算法

在模糊多分类问题中,由于训练样本在训练过程中所起的作用不同,对所有数据包括异常数据赋予一个隶属度。针对模糊支持向量机（fuzzy support vector machines,FSVM）的第一种形式,引入类中心的概念,结合一对多1-a-a(one-against-all)组合分类方法,提出了一种基于一对多组合的模糊支持向量机多分类算法,并与1-a-1(one-against-one)组合和1-a-a组合的分类算法比较。数值实验表明,该算法是有效的,有较高的分类准确率,有更好的泛化能力。     

基于支持向量机算法的气体识别研究

利用多传感器或者传感器阵列,同时,结合神经网络技术来进行气体识别和定量分析研究已成为目前传感器领域的一个研究热点。介绍了一种在该领域还没有引起足够重视的算法———支持向量机算法(SVM)。利用该算法,结合多传感器技术,对 3种不同体积分数的有机溶剂进行了识别研究,并取得了较好的识别效果,证明了该算法在气体识别领域具有相当大的研究价值。     

基于F-SVMs的多模型建模方法

针对全局模型难以精确描述复杂工业过程的问题,提出一种基于模糊支持向量机(F-SVMs)的多模型(F-SVMs MM)建模方法。用模糊支持向量分类算法(F-SVC)对输入数据进行预处理,得到多模型模糊隶属度;用模糊支持回归算法(F-SVR)建立多模型(MM)估计器。应用该方法对pH中和滴定过程进行建模,仿真结果表明,F-SVMs MM跟踪性能好、泛化能力强,比USOCPN方法和标准支持向量机(SVMs)方法具有更好的性能和推广能力。     

基于并行支持向量机的多变量非线性模型预测控制

提出一种基于并行支持向量机的多变量系统非线性模型预测控制算法．首先,通过考虑输入、输出间的耦合,建立基于并行支持向量机的多步预测模型;然后,将该模型用于非线性预测控制,提出新的适用于并行预测模型的反馈校正策略,得到最优控制律．连续搅拌槽式反应器（CSTR）的控制仿真结果表明,该算法的性能优于基于并行神经网络的非线性模型预测控制和基于集成模型的非线性模型预测控制．     

支持向量机-模糊推理自学习控制器设计

常规的模糊推理系统大多由专家经验建立模糊规则,自学习能力不强.提出了一种支持向量机-模糊推理系统,由支持向量机实现模糊推理系统的自学习,并设计了一种支持向量机-模糊推理自学习控制器.文章给出了自学习控制器的结构和学习算法,对比研究了变尺度梯度优化和混沌优化两种学习算法.针对非线性对象的仿真实验验证了该控制器的优良性能,控制效果比模糊逻辑控制器更好.     

基于支持向量机的非线性离散动力学系统控制

提出了一种用支持向量机辨识系统状态空间模型的非线性离散动力学系统控制新方法. 在本方法中, 采用最小二乘支持向量机在每一个工作点辨识非线性系统的局部最优线性化模型. 针对该模型, 采用常规的线性控制方法在每个工作点设计局部线性控制器, 并在整个控制任务的每个工作点重复此设计过程.用该方法对两个典型的非线性离散系统采用极点配置技术进行了仿真验证, 结果显示系统对参考输入具有满意的跟踪性能, 证明该方法是有效和可行的.     

Adaptive predictive path following control based on least squares support vector machines for underactuated autonomous vessels

Since vessel dynamics could vary during maneuvering because of load changes, speed changing, environmental disturbances, aging of mechanism, etc., the performance of model‐based path following control may be degraded if the controller uses the same motion model all the time. This article proposes an adaptive path following control method based on least squares support vector machines (LS‐SVM) to deal with parameter changes of the motion model. The path following controller consists of two components: the online identification of varying parameters and model predictive control (MPC) using the adaptively identified models. For the online parameter identification, an improved online LS‐SVM identification method is proposed based on weighted LS‐SVM. Specifically, the objective function of LS‐SVM is modified to decrease the errors of parameter estimation, an index is proposed to detect the possible model changes, which speeds up the rate of parameter convergence, and the sliding data window strategy is used to realize the online identification. MPC is combined with the line‐of‐sight guidance to track straight line reference paths. Finally, case studies are conducted to verify the effectiveness of the proposed path following adaptive controller. Typical parameter varying scenarios, such as rudder aging, current variations and changes of the maneuverability are considered. Simulation results show that the proposed method can handle the above situations effectively.     

一种基于最小二乘支持向量机的预测控制算法

针对工业过程中普遍存在的非线性被控对象，提出一种基于最小二乘支持向量机建模的预测控制算法．首先，用具有RBF核函数的LS-SVM离线建立被控对象的非线性模型；然后，在系统运行过程中，将离线模型在每一个采样周期关于当前采样点进行线性化，并用广义预测算法实现对被控系统的预测控制．仿真结果表明了该算法的有效性和优越性．     

基于支持向量机的计算资源反馈调度

在实时控制系统(RTCS)中,计算资源一般受限。由于诸多不确定性因素和工作负载的动态变化,系统总是运行在不可预期的开放环境中。为保证系统的稳定运行,提出了一种基于支持向量机(SVM)的计算资源反馈调度方法。它周期性地监测系统计算资源,通过SVM在线预测,得到各个控制回路的下一个采样周期,从而实现系统计算资源的动态分配。通过仿真实验验证了该反馈调度方法的性能,并与理想情况、传统开环调度方法进行了比较,显示了其优越性。     

支持向量机的多层动态自适应参数优化

首先提出了基于多层动态自适应搜索技术的最小二乘支持向量机参数优化方法，然后采用最小二乘支持向量机对典型非线性控制系统的辨识进行了研究．辨识结果表明，最小二乘支持向量机可以用于非线性控制系统辨识，多层动态自适应搜索方法确定了最优支持向量机参数，从而获得精确的非线性控制系统辨识结果．