论文摘要：基于LS-SVM和PSO的迟滞非线性系统建模与控制

作为一种新兴的机器学习方法，支持向量机(Support Vector Machine, SVM)是解决小样本下模式识别和模型回归问题的有效工具，在小样本、强非线性等传统学习理论不适用的领域得以应用。最小二乘支持向量机(Least Square-Support Vector Machine, LS-SVM)是支持向量机的一种改进算法。微粒群优化算法(Particle Swarm Optimization, PSO)以概念简单、实现容易等特点成为进化算法的一个重要分支。本文针对一类迟滞非线性系统，提出了一种基于微粒群优化算法和最小二乘支持向量机的率相关建模方法，并通过仿真计算和控制实验研究验证了方法的有效性。本文的主要工作如下： 1.提出了一种基于微粒群优化算法和最小二乘支持向量机的率相关迟滞非线性建模方法。该方法首先解决了支持向量机的参数选择问题，采用微粒群优化算法对最小二乘支持向量机参数进行自动调整，是一种系统化寻优的方法。将该方法与基于遗传算法优化参数的最小二乘支持向量机方法进行对比，通过对一维函数和二维函数的回归估计进行仿真研究，总结了两种方法的优缺点。其次，该方法采用一定频率范围内的正弦扫描信号建模，解决了传统模型对输入信号频率的改变十分敏感的问题。将该方法应用于超磁致伸缩作动器的迟滞建模中，通过与已有研究结果比较，验证了该方法的有效性和优越性。 2.将所提出的率相关迟滞非线性建模方法应用到具有率相关迟滞非线性的压电智能作动器的建模中进行仿真研究，建模数据通过实验系统采集，并与采用标准支持向量机的建模方法进行比较，仿真结果与实验验证表明了该方法的有效性，并突显了最小二乘支持向量机在保持高建模精度情况下具有较快运算速度的特点。 3.提出了针对压电智能作动器的基于支持向量机的逆补偿控制、前馈反馈复合控制和内模控制三种跟踪控制方法。基于所提出的率相关迟滞非线性模型，借助dSPACE实时平台，对单一频率和复合频率下的压电智能作动器进行了跟踪控制半实物仿真研究。对比分析了在作动器不同输入信号频率下，基于率相关迟滞非线性模型的几种控制方案的优劣。结果表明了所提出的率相关模型是有效的，并且基于该模型的前馈反馈复合控制和内模控制方案均能很好地跟踪输入信号，补偿了压电智能作动器的率相关迟滞非线性特性，达到了较好的控制精度。 本文的工作得到国家自然科学基金重点项目“大载荷下微位移与低频微振动智能化主动控制研究”(No.60534020)，高等学校博士学科点专项科研基金(资助号：20070006060)，北京市重点学科基金(XK100060526)的资助。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/206979.html