基于最近邻聚类支持向量机辨识的的电弧炉电极逆控制

被引:7
作者
张绍德
毛雪菲
毛雪芹
机构
[1] 安徽工业大学电气信息学院
关键词
α阶时延逆系统; 伪线性化解耦; 支持向量机; 最近邻聚类; 逆控制; 电弧炉电极系统;
D O I
暂无
中图分类号
TF748.41 [电弧炉];
学科分类号
摘要
基于核函数的支持向量机(support-vector-machines,SVM)与三层神经网络等价关系,构造基于SVM的多变量阶时延逆系统实现对原系统的伪线性化解耦,提出最近邻聚类的SVM模型辨识算法,设计了一种带前馈的参数自适应PD调节器和SVM逆控制相结合的控制策略.通过对典型的MIMO离散非线性可逆系统和电弧炉电极系统的仿真研究,表明该控制策略对于数学模型未知的不确定系统,只需要一定量的输入输出数据作为样本学习,就可实现对系统逆模型的高精度逼近,控制系统具有良好的动态响应和跟踪精度.当模型严重不确定、参数摄动、有外界干扰时,系统具有很好的抗干扰能力和鲁棒性.
引用
收藏
页码:909 / 915
页数:7
相关论文
共 9 条
[1]   最小支持向量机在系统逆动力学辨识与控制中的应用 [J].
沈曙光 ;
王广军 ;
陈红 .
中国电机工程学报, 2008, (05) :85-89
[2]   支持向量机α阶逆系统解耦控制方法 [J].
宋夫华 ;
李平 .
浙江大学学报(工学版), 2007, (02) :226-229
[3]   基于核函数的SVM机与三层前向神经网络的关系 [J].
张铃 .
计算机学报, 2002, (07) :696-700
[4]   RBF网络基函数中心选取算法的研究 [J].
朱明星 ;
张德龙 .
安徽大学学报(自然科学版), 2000, (01) :72-78
[5]   非线性MIMO系统线性化解耦的一种新方法(Ⅱ)——离散时间系统 [J].
何丹 ;
戴先中 ;
张兴华 ;
阮建山 ;
不详 .
控制与决策 , 1999, (06) :631-635
[6]  
多变量非线性系统的神经网络逆控制方法[M]. 科学出版社 , 戴先中著, 2005
[7]  
先进PID控制MATLAB仿真[M]. 电子工业出版社 , 刘金琨著, 2004
[8]   The equivalence of support vector machine and regularization neural networks [J].
András, P .
NEURAL PROCESSING LETTERS, 2002, 15 (02) :97-104
[9]   SUPPORT-VECTOR NETWORKS [J].
CORTES, C ;
VAPNIK, V .
MACHINE LEARNING, 1995, 20 (03) :273-297