213
.
0
0
=
ξ
。
图 2 SVM 辨识
Fig.2 Identification of SVM
选取
)]
2
(
),
1
(
),
1
(
[
−
−
−
=
k
y
k
y
k
u
x
,
)
(k
y
y
=
,
)
,
(
y
x
作为输入样本供 SVM 学习和测
试。图 3 为输入样本为测试集样本的辨识效果。令控制因子
88
=
C
,RBF 核函数参数
200
=
σ
。图中左一为给定的曲线,右一为拟合的曲线,左二为两曲线的绝对误差,右二
为其相对误差(百分比)
。
图 3 辨识效果
Fig.3 Results of Identification
从辨识效果来看,SVM 的辨识精度是令人满意的。SVM 建立在小样本统计理论上,有着
严密的理论体系,应用 SVM 进行非线性建模,能提高模型的泛化能力、建模速度和训练速度。
3、基于 SVM 的广义预测控制
GPC 由于具有实时预测、实时优化及实时反馈校正的特点而获得广泛的应用
【4】
。采用
SVM 建立轧机液压预测模型并进行 GPC 控制,旨在提高系统的鲁棒性和稳定性。
取优化性能指标为二次性能加权指标,GPC 控制器是通过在
k
时刻对下面的性能指标
进行优化以获得控制作用。
液压系统模型
SVM预测模
型
1/Z
1/Z
u(k)
y(k)
y^(k)
1/Z
http://www.elecfans.com 电子发烧友 http://bbs.elecfans.com 电子技术论坛