本论文主要研究了支持向量机(Support Vector Machine,简称SVM)增量型训练算法及其在控制领域中的应用。支持向量机(Support Vector Machines,简称SVM)是由Vapnik等人于上世纪末提出的一种崭新的学习机器,它是统计学习理论的核心部分,是处理小样本学习的有效工具。支持向量机作为统计学习理论的实现方法,有效克服了神经网络方法收敛慢、解不稳定、推广性差的缺点,近年来受到了很大重视,在模式识别、信号处理、控制、通讯等方面得到了广泛应用,也成为了机器学习领域理论研究的新热点。 目前已有一些成熟的支持向量机训练算法得到广泛的应用,比如chunking算法、分解算法,以及最著名的SMO算法等。然而这些算法无一例外都是只能够离线应用的训练算法,对支持向量机在线训练算法的研究还很少,因此本文在已有成果的基础之上,重点地研究了增量型的支持向量机训练算法。增量型的支持向量机训练算法的一个重要特点是可以用于实时在线训练支持向量机的模型,这将大大扩展支持向量机的应用范围。 论文主要内容如下: 首先针对常规增量型的支持向量机训练算法存在的问题(比如边缘支持向量集合为空时算法无效、算法训练速度慢等)进行了深入的分析,得到有效的改进方法,大大提高了算法的建模性能和实用性。通过仿真实验验证了改进的增量型支持向量机训练算法的有效性。 其次本文把增量型的支持向量机训练算法应用到控制领域中来,结合经典的控制算法(比如直接逆控制、内模控制、预测控制等),构造出一些有效的在线控制算法。通过仿真实验验证了这些基于增量型支持向量机回归训练算法的