SVM理論及其在船舶機(jī)爐協(xié)調(diào)智能控制中的應(yīng)用研究.pdf

1、艦船的蒸汽動(dòng)力裝置是艦船的主要設(shè)備，在其運(yùn)行過程中，負(fù)荷變化頻繁、幅度大，對(duì)系統(tǒng)的響應(yīng)性能要求高，而其中的機(jī)爐系統(tǒng)控制則是蒸汽動(dòng)力裝置控制中的一個(gè)難點(diǎn)。由于其具有非線性、強(qiáng)耦合、參數(shù)時(shí)變、大遲延等特性，采用常規(guī)的控制策略往往不能滿足系統(tǒng)的要求。本文在分析了機(jī)爐系統(tǒng)動(dòng)態(tài)特性的基礎(chǔ)上，采用近年來興起的支持向量機(jī)算法，對(duì)其進(jìn)行數(shù)學(xué)建模及控制方法研究。 本文首先介紹了支持向量機(jī)的線性及非線性回歸理論，通過對(duì)支持向量機(jī)方法與相對(duì)應(yīng)的神經(jīng)網(wǎng)

2、絡(luò)方法進(jìn)行比較分析，驗(yàn)證了支持向量機(jī)在非線性系統(tǒng)辨識(shí)方面的優(yōu)越性能。其次，研究了支持向量機(jī)算法的實(shí)現(xiàn)問題，采用求解分類問題的序貫最小優(yōu)化算法，對(duì)回歸問題的序貫最小優(yōu)化算法進(jìn)行了推證。 同時(shí)針對(duì)動(dòng)態(tài)系統(tǒng)在線辨識(shí)過程中，每次采樣導(dǎo)致的訓(xùn)練樣本集數(shù)據(jù)的增加，需要對(duì)模型進(jìn)行更新的問題，進(jìn)行了支持向量機(jī)回歸在線訓(xùn)練算法的實(shí)現(xiàn)問題研究，提出了基于滾動(dòng)時(shí)間窗的增量式支持向量機(jī)在線學(xué)習(xí)算法。該算法大大減少了支持向量機(jī)的訓(xùn)練時(shí)間，并且提高了辨識(shí)的

3、精度。 進(jìn)行了采用不同類型核函數(shù)的支持向量機(jī)對(duì)非線性系統(tǒng)進(jìn)行辨識(shí)的研究，給出了核函數(shù)類型選擇的基本方法。重點(diǎn)討論以徑向基函數(shù)為代表的核函數(shù)參數(shù)確定問題。在分析支持向量機(jī)回歸算法中各參數(shù)對(duì)其性能影響的基礎(chǔ)上，給出了確定遺傳算法搜索空間的方法，利用遺傳算法的全局搜索能力，提出了自動(dòng)確定支持向量機(jī)參數(shù)的方法，為解決支持向量機(jī)參數(shù)自動(dòng)優(yōu)化問題提供了一條有效的途徑。 采用簡化的機(jī)理分析方法，建立了機(jī)爐系統(tǒng)的動(dòng)態(tài)數(shù)學(xué)模型，并對(duì)其動(dòng)態(tài)

4、特性進(jìn)行分析研究。在分析傳統(tǒng)機(jī)爐控制系統(tǒng)的兩種基本方案——鍋爐跟隨系統(tǒng)及汽機(jī)跟隨系統(tǒng)的基礎(chǔ)上，給出了機(jī)爐協(xié)調(diào)控制的基本原則及結(jié)構(gòu)。 研究了支持向量機(jī)逆系統(tǒng)控制及算法實(shí)現(xiàn)問題，并針對(duì)船舶機(jī)爐系統(tǒng)的工況點(diǎn)發(fā)生變化和對(duì)象參數(shù)時(shí)變等情況，其動(dòng)態(tài)特性呈出較大變化的問題，提出了一種支持向量機(jī)和模糊控制相結(jié)合的復(fù)合智能控制策略。該控制策略充分利用支持向量機(jī)簡單高效的系統(tǒng)建模能力，并發(fā)揮了逆控制和模糊控制各自的優(yōu)勢(shì)。仿真實(shí)驗(yàn)表明，本論文提出的支