基干支持向量机和模型的内模控制方法研究

风靡全球

基干支持向量机和模型的内模控制方法研究

工业过程的被控对象许多是非线性的，如中和控制、石油炼制、换热过程等，针对这类非线性问题，均可以采用模型来代表过程对象的模型。从模型组成来说，是由一个线性模型和一个非线性模型串联组成；从模型的适用范围来说，模型描述了一类动态线性与静态非线性可以分离的系统。研究模型的控制方法具有很大的实际应用价值和代表性。

Wiener模型的定义

Wiener模型可以用来描述一类在工业中较普遍的非线性过程，模型最大的优点在于结构简单如图所示，其中为线性环节，为非线性环节。模型的线性部分和非线性部分模型类型选择范围很广泛，可以说是任意形式的，线性部分可以选择阶跃响应、传递函数、模型等形式，非线性部分可以选择简单旳代数方程如幕级数、指数函数等，也可以选择复杂的神经网络，如果用于控制，那非线性部分函数的逆函数必须存在.

在化工、通信、生物等领域的许多非线性系统都可以用模型来表示，如中和过程、热交换过程（蒸馆、蒸发、干燥、结晶、冶金等、动态神经元模型、视觉皮层和眼球移动的研究、具有死区或饱和幵关等非线性工业过程中都可以用模型来近似这些过程。模型在结构上比模型更难控制，早起许多学者丢模型做了大量的研究工作，而对模型的研究工作在近些年才得以发展起来。

伪线性系统

由《阶积分逆系统￡与原系统：串联构成的复合系统，其输入输出关系是线性的，但系统的内部某些变量之间的关系仍然存在非线性，这样的复合系统称为伪线性系统。针对伪线性系统便可使用线性控制理论来对它进行控制系统的设计。图为单位逆系统的线性化以及变化所得的单位伪线性系统，图为阶积分逆系统的线性化以及变化所得的阶伪线性系统。

支持向量机

逆系统方法已经针对一般形式的非线性系统，建立了完整的设计理论，但由于逆系统方法是在精确的模型解析式基础上建立的，但大多实际工程中非线性特性难以准确的描述，即使建立了准确的非线性数学模型，其逆模型也很难求出准确的解析式，这使得逆系统方法难以实现。支持向量机是由数据分类问题中发展而来，早期在模式识别问题中运用，从训练样本中选择一组能够代表样本特征的特征子集，然后对特征子集进行划分从而使得整个训练样本得以划分，而这组特征子集即为支持向量。支持向量机在解决非线性、小样本、高维模式识别中有很多优秀的品质，后来推广到函数逼近等问题中。用于非线性系统的辨识与控制近年来取得了较大的进展，主要有支持向量机与传统控制方法想融合的算法，如基于支持向量机的优化控制，基于支持向量机的预测控制，基于的混池控制等。支持向量机使用范围广泛，能够逼近任意一类非线性函数，从而为系统辨识和模型控制提供

了重要的理论根据，。