资源描述：
《基于多项式核rvm的非线性模型预测控制》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、2008年3月控制工程Mar.2008第15卷第2期ControlEngineeringofChinaVol.15,No.2文章编号:167127848(2008)0220158203基于多项式核RVM的非线性模型预测控制陈佳,颜学峰,钟伟民,钱锋(华东理工大学化学工程联合国家重点实验室,上海200237)摘要:针对非线性、不确定性对象不易建模的特点,提出了基于多项式核关联向量机(RVM)的解析型非线性预测控制方法,该方法采用多项式核RVM进行模型辨识,得到的对象模型作为预测模型。由于RVM具有较好的非线性建模能力,
2、弥补了SVM参数设定难和稀疏性不强等弱点;同时,多项式形式的模型表达式使二次型优化目标函数可以通过函数解析方法求得最优控制输入,即简化了滚动优化模块,增强了控制的实时性。通过对一个标准的非线性Benchmark问题进行仿真实验,结果表明该方法具有良好的控制性能。关键词:多项式核函数;关联向量机;非线性模型;预测控制中图分类号:TP273文献标识码:ANonlinearModelPredictiveControlBasedonRVMwithPolynomialKernelCHENJia,YANXue2feng,ZHON
3、GWei2min,QIANFeng(StateKeyLaboratoryofChemicalEngineering,EastChinaUniversityofScienceandTechnology,Shanghai200237,China)Abstract:Inviewofthedifficultyinnonlinearanduncertainplantmodelling,ananalyticnonlinearpredictivecontrolmethodbasedonpoly2nomialkernelreleva
4、ncevectormachine(RVM)isproposed.PredictivemodelisobtainedfromidentificationofplantmodelwithpolynomialkernelRVM.RVMcanmakeuptheshortcomingofSVMsuchasparametersettingandsparsitybeacuseofitsgoodabilityofnonlinearmodel2ling.Alsoquadraticformobjectivefunctioncanbeso
5、lvedwithafunctionanaliticalmethodbecauseofthepolynomialmodelexpression.Sotherollingoptimizationmoduleissimplifiedandthecontrolreal2timeperformanceisstrengthened.Thepredictivecontrolalgorithmisdemonstratedonarecognizedbenchmarkproblem,andthesimulationresultsshow
6、thatitcanbewellappliedtononlinearsystemswithgoodperformance.Keywords:polynomialkernelfunction;relevancevectormachine;nonlinearmodel;predictivecontrol很复杂。本文利用多项式核函数关联向量机(RVM)1引言进行模型辨识,将其运用于预测控制系统,提出了传统的模型预测控制算法在性能上精度不高,基于多项式核函数RVM的非线性单步预测控制算不适用于非线性系统,缺乏自学习、自组织能力
7、,法。鲁棒性也不强。然而,大多数工业过程都是非线性[6,7]2RVM回归建模方法的,为了达到提高控制性能的要求,已研究了许多ld新的预测控制技术,其中,智能预测控制是近几年给定训练样本集{xi,ti}i=1,xi∈R,ti∈来预测控制领域的研究热点。预测控制是针对复杂R,RVM的模型输出定义为的受控系统,采用某种智能控制策略与典型的预测l控制算法相结合构成的一类智能型预测控制系f(x)=∑ωjK(x,xi)+ω0=Φ(xi)ωj=1[1]统。现已提出了模糊预测控制、神经网络预测控式中,K(x,xi)为核函数(不必满足
8、Mercer条件);制以及支持向量机预测控制等智能预测控制算ω=(ωω)T)=(1,K(x0,⋯,l为权值;Φ(xii,x1),[2～4]法。虽然这些算法都取得了不错的效果,但由⋯,K(xi,xl))为基函数矩阵Φ的第i行。[5]于其本身的缺陷而存在一些问题,比如神经网络2假设训练样本独立且含方差为σ的高斯噪声,会产生过学习,训练速度慢、易陷入
