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