论文部分内容阅读
模型预测控制(MPC)是使用动态模型对被控系统未来行为进行预测,并且对模型进行优化控制的控制算法,它在实际工业控制中有着广泛的应用,成为目前先进工业控制最为成功的技术之一。实际工业应用中,基于线性模型的模型预测控制算法已经相当成熟,但是实际的被控对象往往具有很强的非线性,非线性系统控制问题仍然是目前控制界的研究难点与热点。随着工业生产规模的扩大以及被控对象复杂度的提升,对于被控系统很难获取准确的辨识模型。支持向量机(SVM)以结构风险最小化原则为基础,在处理非线性被控对象的分类及回归问题上,其精度和泛化能力等方面都有着优异的表现。本文针对具有非线性特性的被控对象,研究了基于Libsvm的智能建模方法并与预测函数控制相结合来解决非线性控制问题。主要的研究内容如下:(1)查阅了大量的文献资料,对模型预测控制的发展趋势以及取得的相关成果有了更进一步的理解。尤其是对预测函数控制进行了更深入的学习,认识到预测函数在解决线性模型预测控制上的优越性。(2)支持向量机在对非线性系统建模上有着突出的表现,主要研究了基于支持向量机的Libsvm工具箱。使用该工具箱可以解决非线性系统建模的问题。(3)研究了一种基于Libsvm的非线性预测函数算法。该方法主要采取Libsvm回归来建立系统的非线性预测模型,并对非线性模型进行线性化处理,最后对线性化的模型进行预测函数控制。仿真结果表明该方法控制性能良好,对干扰有较强的抑制能力。