本文主要根据广义预测控制基于预测模型的特点,将基于支持向量机系统辨识的方法应用于广义预测控制,针对支持向量机在广义预测控制中的若干应用进行研究,并在此基础上将改进的广义预测控制算法进行实测分析。支持向量机作为统计学习理论的核心内容,其基本思想是通过非线性内积核函数将线性不可分的低维空间数据映射到线性可分的高维特征空间,在高维空间中进行线性分类或回归拟合。支持向量机因其良好的泛化能力和非线性函数拟合能力,已经被广泛应用于系统辨识等控制领域。广义预测控制作为现代控制理论的一个分支,因其良好的控制性能及抗干扰性和鲁棒性而被广泛应用于实际工业控制。本文的研究将支持向量机系统辨识的方法与广义预测控制基本算法结合,以充分发挥两者各自优点。具体来讲,主要研究内容如下: 1.构建基于Matlab7.0和组态王的先进过程控制算法实测平台,以利用此实验平台对本文所研究的过程控制算法进行实测分析。 2.重点研究基于支持向量机的广义预测控制算法。针对线性和弱非线性系统,本文采用线性核函数的支持向量机进行系统建模,得出系统的CARIMA模型,并进行广义预测控制;针对强非线性系统,采用多项式核函数的支持向量机进行系统建模,并在当前时刻线性化SVM模型,使非线性系统转变为具有CARIMA结构的时变线性模型,进而采用基于线性CARIMA模型的广义预测算法进行控制。同时,为克服非线性系统在当前时刻线性化时出现模型失配而引起系统的不稳定,本文引入β增量型广义预测控制算法,以牺牲控制器的最优性为代价,提高了闭环系统的稳定性和鲁棒性。 3.为解决一般广义预测控制因模型失配引起的系统不稳定的问题,本文用基本广义预测控制算法因模型失配引起的误差历史数据,建立基于支持向量机的误差预测模型,将误差预测值作为广义预测控制的补偿修正,并对误差修正后的算法分别进行仿真和实测分析。 通过本文的研究,我们不仅扩展了广义预测控制基本算法的应用范围,也一定程度上提高了广义预测控制算法本身的性能。