基于决策函数及PSO优化的SVM预测控制应用研究

被引：2

作者：

王杰

陈锴鹏

机构：

[1] 郑州大学电气工程学院

来源：

郑州大学学报(工学版) | 2013年 / 34卷 / 02期

关键词：

支持向量机; 决策函数; 粒子群算法; 预测控制;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TP13 [自动控制理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 0711 ; 071102 ; 0811 ; 081101 ; 081103 ;

摘要：

SVM处理大样本问题时性能明显不如神经网络,因此笔者利用矩阵变换进行决策函数的简化来提升SVM的训练速度,对SVM建模时非必需的支持向量进行约简,并引入一个松弛变量来提升约简效果.实验证明,约简后支持向量个数减少三分之一以上.SVM所建立的模型进行线性化之后应用于预测控制当中,采用PSO算法来选择最优的SVM参数和计算预测控制的最优控制律.通过对水泥回转窑窑尾烟室温度的数据进行实验仿真,结果表明该方法可以提高系统响应速度,减小系统响应的超调量.

引用

页码：53 / 56

页数：4

共 7 条

[1]

具有适应性突变和惯性权重的粒子群优化(PSO)算法及其在动态系统参数估计中的应用(英文).[J].ALFI Alireza;.自动化学报.2011, 05

[2] 粒子群优化–最小二乘支持向量机算法在高压断路器机械故障诊断中的应用 [J].