免费论文：非线性体例的智能建立模型与遏制

非线性体例的智能建立模型与遏制是暂时遏制范围的一个要害的接洽目标之一，富裕挑拨性。正文鉴于T-S朦胧体例的朦胧树辨识本领和扶助向量机回归算法，深刻接洽了朦胧树模子和扶助向量机回归算法对非线性体例的智能建立模型与遏制。重要处事囊括以次几个上面：1. 对准一类非线性定常体例提出了一种鉴于参数优化朦胧树(Parameter Optimization Fuzzy Tree, POFT)的自符合朦胧建立模型新本领，并创造朦胧状况方程模子，在该模子的普通上安排了自符合分别遏制器。该本领不妨自符合划单干作空间，比用惯例限制线性化本领创造的朦胧状况方程模子的构造大略，精度高。Furuta拿大顶摆遏制的仿真算例考证了该本领的灵验性。2. 对准规范扶助向量机回归算法(Support Vector Machines Regression, SVMR)和规范最小二乘扶助向量机回归算法(Least Squares Support Vector Machines Regression, LS-SVMR)在处置大规相貌本集时会展示演练速率慢，计划量大，以及LS-SVMR不易在线演练的题目，提出了三种新的矫正的回归算法：(1) 提出了一种鉴于二叉树模子的新的扶助向量机回归算法。开始经过二叉树模子将大样品数据集自符合领会成几何个子集，进而制止了大样品集题目，而后运用扶助向量机算法分段提出扶助向量，再把那些扶助向量会合成一个新的演练样品集举行回归演练，获得所须要的猜测模子，并将其运用到朦胧功夫序列的猜测。与规范SVMR算法比拟较，该本领在保护泛化精度普遍的基础下，明显地普及了演练速率。(2) 将忘怀因子矩形窗本领与扶助向量机相贯串，提出了一种鉴于忘怀因子矩形窗算法的在线最小二乘扶助向量机回归 (Online Least Squares Support Vector Machines Regression, OLS-SVMR) 本领，既超过了暂时窗口数据的效率，又商量了汗青数据的感化。该本领具备OLS-SVMR算法的便宜，普及了在线辨识精度。(3) 提出了一种鉴于矫正的忘怀因子矩形窗算法的OLS-SVMR本领，不只保持了本领(2)的便宜，并且简化了算法，缩小了计划量，并给出了算法的抑制性表明。3. 对准一类参数未知非线性分割体例提出了两种鉴于OLS-SVMR的自符合径直广义猜测遏制(Adaptive Direct Generalized Predictive Control, ADGPC)新本领：(1) 鉴于OLS-SVMR和广义缺点，提出了一种ADGPC新本领，径直运用OLS-SVMR安排猜测遏制器，并鉴于广义缺点估量值对遏制器参数和广义缺点估量值中的未知向量举行自符合安排，并证领会该本领不妨使广义缺点估量值抑制到原点的小邻域内。(2) 鉴于OLS-SVMR和盯梢缺点，提出了一种ADGPC新本领，径直运用OLS-SVMR安排猜测遏制器，并鉴于盯梢缺点运用矫正的梯度算法自符合在线安排遏制器参数中未知向量。表面上证领会该本领不妨使盯梢缺点抑制到原点的小邻域内。提出的两种ADGPC本领制止了及时遏制算法中的Diophantine方程的求解和矩阵求逆，减小了在线计划量。仿真考证了两种本领的灵验性。4. 提出一种新的率关系迟滞非线性体例的在线建立模型与遏制本领，并将其运用在超磁致舒卷作动器的建立模型和遏制中。所建的模子不妨很好地刻画作动器对于各别频次输出旗号的率关系迟滞非线性。将鉴于OLS-SVMR的ADGPC本领运用到作动器的盯梢遏制中，仿真表领会本领的精确性和可行性。

来源：半壳优胜鲸鱼幸运星转载请保留出处和链接！

本文链接：http://87cpy.com/269102.html