一種基于改進支持向量回歸的逆模型pid復(fù)合控制方法
【專利摘要】本發(fā)明請求保護一種基于改進支持向量回歸的逆模型/PID復(fù)合控制方法，該方法利用多智能體粒子群算法優(yōu)化支持向量回歸機相關(guān)參數(shù)，有效提高其建模精度及泛化能力。在此基礎(chǔ)上構(gòu)建了基于粒子群優(yōu)化算法的支持向量回歸機(MAPSO-SVR)逆模型，一定程度上提高了逆模型精度；引入PID控制，提出MAPSO-SVR逆模型/PID復(fù)合控制方法，實現(xiàn)非線性系統(tǒng)自身的不斷修正，可有效提高系統(tǒng)的跟蹤、控制能力。
【專利說明】一種基于改進支持向量回歸的逆模型PID復(fù)合控制方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于一種基于支持向量回歸的逆模型控制方法，尤其涉及一種基于多智能 體粒子群（MAPS0)優(yōu)化SVR相關(guān)參數(shù)的逆模型/PID復(fù)合控制非線性系統(tǒng)的方法。

【背景技術(shù)】
[0002] 近年來逆系統(tǒng)方法已在一般形式的非線性系統(tǒng)上建立起比較完整的設(shè)計理論，可 以以一般形式的非線性系統(tǒng)作為研究對象，且對方程形式?jīng)]有特殊的要求，也不需引入微 分、幾何等抽象的數(shù)學(xué)理論，因而具有普遍的研究意義。目前有不少利用神經(jīng)網(wǎng)絡(luò)建立逆模 型的方法得到廣泛研究，也取得了較好的理論和實際成果。但在建模方面，神經(jīng)網(wǎng)絡(luò)存在局 部最小，網(wǎng)絡(luò)層數(shù)難確定等問題。而利用支持向量回歸機（SVR)建立逆模型，因SVR具有全 局最優(yōu)、泛化能力強等優(yōu)點，能有效提吳型的抗干擾能力。t吳型的精確度直接影響系統(tǒng)的 跟蹤性能，參數(shù)的優(yōu)化選擇對SVR的預(yù)測精度和泛化能力影響顯著，常見的優(yōu)化算法有很 多，如遺傳算法（GA)，粒子群算法（PS0)等。遺傳算法容易陷入局部極小值，且該算法對自 身參數(shù)的選取有很強的依賴性，粒子群算法只共享群體中最優(yōu)粒子的信息而忽略了其它粒 子的信息，可能導(dǎo)致粒子在算法早期就被吸引到某點附近，從而降低了粒子群的多樣性。
[0003] 本發(fā)明提出了利用多Agent粒子群算法（MAPS0)優(yōu)化SVR相關(guān)參數(shù)的方法。MAPS0 算法結(jié)合了多粒子信息共享和自適應(yīng)慣性權(quán)重策略，多粒子信息共享采用多粒子信息來修 正各粒子下一次的行動策略，以降低粒子陷入局部最優(yōu)的可能性，慣性權(quán)重自適應(yīng)調(diào)整根 據(jù)群體早熟收斂程度，按個體具體情況調(diào)整慣性權(quán)重，使粒子跳出局部最優(yōu)值，通過與其鄰 居粒子的競爭、合作實現(xiàn)全局最優(yōu)。由于逆系統(tǒng)方法理論上是"偽線性系統(tǒng)"結(jié)構(gòu)，存在控 制不足，穩(wěn)定性不高的問題，引入PID反饋控制，提高了系統(tǒng)的跟蹤、控制能力。


【發(fā)明內(nèi)容】

[0004] 針對以上現(xiàn)有技術(shù)中的不足，本發(fā)明的目的在于提供一種提高了系統(tǒng)的跟蹤、控 制能力的基于改進支持向量回歸的逆模型PID復(fù)合控制方法，本發(fā)明的技術(shù)方案如下：
[0005] -種基于改進支持向量回歸的逆模型PID復(fù)合控制方法，其包括以下步驟：
[0006] 101、初始化設(shè)置種群相關(guān)參數(shù)，生成訓(xùn)練數(shù)據(jù)集、測試數(shù)據(jù)集，并對訓(xùn)練數(shù)據(jù)集及 測試數(shù)據(jù)集進行歸一化處理；
[0007] 102、利用多Agent粒子群算法/MAPS0對支持向量回歸機SVR相關(guān)參數(shù)進行尋優(yōu)， 由適應(yīng)度函數(shù)及粒子位置、速度更新公式對支持向量回歸機SVR參數(shù)尋優(yōu)；
[0008] 103、判斷是否滿足終止條件，若滿足則尋優(yōu)結(jié)束從而確定最優(yōu)粒子即MAPS0-SVR 的參數(shù)尋優(yōu)結(jié)果，跳轉(zhuǎn)至步驟104 ;否則返回步驟102 ;
[0009] 104、確定逆模型擬合因子，建立MAPS0-SVR逆模型；
[0010] 105、設(shè)定參考輸入函數(shù)yMUt(k)及之前時刻的u值，并根據(jù)yMUt(k)、逆模型及對 象模型，計算出經(jīng)逆模型預(yù)測出來的值uctr(k);
[0011]106、由已知的yMUt(k)、yjk)值，根據(jù)誤差的定義及增量式PID原理Au(k)= &打1+1^打2+1^打3,其中kp表示比例控制系數(shù)，kd表示微分控制系數(shù)，卜表示積分控制系 數(shù)，xl=e(k)-e(k_l)，x2 =e(k) _2*e(k_l)+e(k_2)，x3 =e(k)，并根據(jù)步驟 105 中的 uctr(k)，根據(jù)公式u(k) =uctr(k) +Au(k)求得當(dāng)前時刻u(k)值；
[0012] 107、根據(jù)步驟106及對象模型計算出下一時刻實際輸出值y(Mt(k+l);
[0013] 108、如果k的取值還沒超過采樣時間，則轉(zhuǎn)入步驟105,直到k值達到采樣時間設(shè) 定值結(jié)束。
[0014] 進一步的，步驟101中的初始化種群相關(guān)參數(shù)包括定義解空間、環(huán)境規(guī)模、最大允 許迭代次數(shù)、慣性權(quán)值范圍、學(xué)習(xí)因子。
[0015] 進一步的，步驟102中的粒子適應(yīng)度函數(shù)F為：

【權(quán)利要求】
1. 一種基于改進支持向量回歸的逆模型PID復(fù)合控制方法，其特征在于：包括以下步 驟： 101、 初始化設(shè)置種群相關(guān)參數(shù)，生成訓(xùn)練數(shù)據(jù)集、測試數(shù)據(jù)集，并對訓(xùn)練數(shù)據(jù)集及測試 數(shù)據(jù)集進行歸一化處理； 102、 利用多Agent粒子群算法/MPSO對支持向量回歸機SVR相關(guān)參數(shù)進行尋優(yōu)，由適 應(yīng)度函數(shù)及粒子位置、速度更新公式對支持向量回歸機SVR參數(shù)尋優(yōu)； 103、 判斷是否滿足終止條件，若滿足則尋優(yōu)結(jié)束從而確定最優(yōu)粒子即MPSO-SVR的參 數(shù)尋優(yōu)結(jié)果，跳轉(zhuǎn)至步驟104 ;否則返回步驟102 ; 104、 確定逆模型擬合因子，建立MAPS0-SVR逆模型； 105、 設(shè)定參考輸入函數(shù)yMUt (k)及之前時刻的u值，并根據(jù)yMUt (k)、逆模型及對象模 型，計算出經(jīng)逆模型預(yù)測出來的值uctr (k); 106、 由已知的yMUt (k)、yMt (k)值，根據(jù)誤差的定義及增量式PID原理A u (k)= 1^打1+1^打2+1^打3,其中kp表示比例控制系數(shù)，kd表示微分控制系數(shù)，卜表示積分控制系 數(shù)，xl = e (k) -e (k_l)，x2 = e (k) _2*e (k_l) +e (k_2)，x3 = e (k)，并根據(jù)步驟 105 中的 uctr (k)，根據(jù)公式u (k) = uctr (k) + A u (k)求得當(dāng)前時刻u (k)值； 107、 根據(jù)步驟106及對象模型計算出下一時刻實際輸出值y()Ut(k+l); 108、 如果k的取值還沒超過采樣時間，則轉(zhuǎn)入步驟105,直到k值達到采樣時間設(shè)定值 結(jié)束。
2. 根據(jù)權(quán)利要求1所述的基于改進支持向量回歸的逆模型PID復(fù)合控制方法，其特征 在于：步驟101中的初始化種群相關(guān)參數(shù)包括定義解空間、環(huán)境規(guī)模、最大允許迭代次數(shù)、 慣性權(quán)值范圍、學(xué)習(xí)因子。
3. 根據(jù)權(quán)利要求1所述的基于改進支持向量回歸的逆模型PID復(fù)合控制方法，其特征 在于：步驟102中的粒子適應(yīng)度函數(shù)F為：
其中Yi, y，i分別代表SVR訓(xùn)練輸出值和期望輸出值，N為訓(xùn)練樣本數(shù)。
4. 根據(jù)權(quán)利要求1所述的基于改進支持向量回歸的逆模型PID復(fù)合控制方法，其特征 在于：步驟102中的根據(jù)最優(yōu)粒子的信息更新粒子的位置、速度的公式為：
式中下標(biāo)t為迭代次數(shù)，Xt為第t次迭代時的粒子空間位置，Vt為第t次迭代時的粒 子速度，其中C1, C2為學(xué)習(xí)因子，ri，r2為介于（0, 1)之間的隨機數(shù)，w為慣性常數(shù)。
5. 根據(jù)權(quán)利要求1所述的基于改進支持向量回歸的逆模型PID復(fù)合控制方法，其特征 在于：步驟104中的逆模型擬合因子為
【文檔編號】G05B11/42GK104330968SQ201410668815
【公開日】2015年2月4日 申請日期:2014年11月18日 優(yōu)先權(quán)日:2014年11月18日
【發(fā)明者】唐賢倫, 張莉, 劉念慈, 張毅, 劉想德, 姜吉杰, 王福龍, 李臘梅 申請人:重慶郵電大學(xué)