基于在线鲁棒LSSVM的自适应PID算法
来源期刊：中国矿业大学学报2010年第2期
论文作者：刘云楷 徐桂云 刘小平 张晓光
关键词：鲁棒最小二乘支持向量机; 在线学习; 模型复杂度; PID; Robust least square support vector machines; online learning; model complexity; PID;
摘 要：为了解决在线最小支持向量机在每个采样周期更新模型带来计算量大的问题,提出了在线鲁棒最小二乘支持向量机(LSSVM)的自适应PID控制算法.通过2步加权策略提高LSSVM的鲁棒性,把样本预测误差与过程先验知识相结合给出控制模型复杂度准则,有效地提高了模型的精度、速度以及稀疏性;结合预测控制思想,把在线鲁棒LSSVM算法用于PID非线性控制.仿真结果表明:鲁棒Huber函数与ε-不敏感函数相结合的鲁棒代价函数,能够有效地对系统局部非线性区域进行建模,随系统工作点变化而自适应地辨识,不仅有较高的控制精度,而且具有较强的鲁棒性和建模速度,能够适应时变参数对象的控制.
刘云楷1，徐桂云1，刘小平1，张晓光1
(1.中国矿业大学机电工程学院,江苏,徐州,221116)
摘要:为了解决在线最小支持向量机在每个采样周期更新模型带来计算量大的问题,提出了在线鲁棒最小二乘支持向量机(LSSVM)的自适应PID控制算法.通过2步加权策略提高LSSVM的鲁棒性,把样本预测误差与过程先验知识相结合给出控制模型复杂度准则,有效地提高了模型的精度、速度以及稀疏性;结合预测控制思想,把在线鲁棒LSSVM算法用于PID非线性控制.仿真结果表明:鲁棒Huber函数与ε-不敏感函数相结合的鲁棒代价函数,能够有效地对系统局部非线性区域进行建模,随系统工作点变化而自适应地辨识,不仅有较高的控制精度,而且具有较强的鲁棒性和建模速度,能够适应时变参数对象的控制.
关键词:鲁棒最小二乘支持向量机; 在线学习; 模型复杂度; PID; Robust least square support vector machines; online learning; model complexity; PID;
【全文内容正在添加中】
