一种基于改进支持向量回归的逆模型pid复合控制方法
【专利摘要】本发明请求保护一种基于改进支持向量回归的逆模型/PID复合控制方法，该方法利用多智能体粒子群算法优化支持向量回归机相关参数，有效提高其建模精度及泛化能力。在此基础上构建了基于粒子群优化算法的支持向量回归机(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复合控制方法，实现非线性系统自身的不断修正，可有效提高系统的跟踪、控制能力。
【专利说明】一种基于改进支持向量回归的逆模型PID复合控制方法
【技术领域】
[0001] 本发明属于一种基于支持向量回归的逆模型控制方法，尤其涉及一种基于多智能 体粒子群（MAPS0)优化SVR相关参数的逆模型/PID复合控制非线性系统的方法。
【背景技术】
[0002] 近年来逆系统方法已在一般形式的非线性系统上建立起比较完整的设计理论，可 以以一般形式的非线性系统作为研究对象，且对方程形式没有特殊的要求，也不需引入微 分、几何等抽象的数学理论，因而具有普遍的研究意义。目前有不少利用神经网络建立逆模 型的方法得到广泛研究，也取得了较好的理论和实际成果。但在建模方面，神经网络存在局 部最小，网络层数难确定等问题。而利用支持向量回归机（SVR)建立逆模型，因SVR具有全 局最优、泛化能力强等优点，能有效提吴型的抗干扰能力。t吴型的精确度直接影响系统的 跟踪性能，参数的优化选择对SVR的预测精度和泛化能力影响显著，常见的优化算法有很 多，如遗传算法（GA)，粒子群算法（PS0)等。遗传算法容易陷入局部极小值，且该算法对自 身参数的选取有很强的依赖性，粒子群算法只共享群体中最优粒子的信息而忽略了其它粒 子的信息，可能导致粒子在算法早期就被吸引到某点附近，从而降低了粒子群的多样性。
[0003] 本发明提出了利用多Agent粒子群算法（MAPS0)优化SVR相关参数的方法。MAPS0 算法结合了多粒子信息共享和自适应惯性权重策略，多粒子信息共享采用多粒子信息来修 正各粒子下一次的行动策略，以降低粒子陷入局部最优的可能性，惯性权重自适应调整根 据群体早熟收敛程度，按个体具体情况调整惯性权重，使粒子跳出局部最优值，通过与其邻 居粒子的竞争、合作实现全局最优。由于逆系统方法理论上是"伪线性系统"结构，存在控 制不足，稳定性不高的问题，引入PID反馈控制，提高了系统的跟踪、控制能力。
【发明内容】
[0004] 针对以上现有技术中的不足，本发明的目的在于提供一种提高了系统的跟踪、控 制能力的基于改进支持向量回归的逆模型PID复合控制方法，本发明的技术方案如下：
[0005] -种基于改进支持向量回归的逆模型PID复合控制方法，其包括以下步骤：
[0006] 101、初始化设置种群相关参数，生成训练数据集、测试数据集，并对训练数据集及 测试数据集进行归一化处理；
[0007] 102、利用多Agent粒子群算法/MAPS0对支持向量回归机SVR相关参数进行寻优， 由适应度函数及粒子位置、速度更新公式对支持向量回归机SVR参数寻优；
[0008] 103、判断是否满足终止条件，若满足则寻优结束从而确定最优粒子即MAPS0-SVR 的参数寻优结果，跳转至步骤104 ;否则返回步骤102 ;
[0009] 104、确定逆模型拟合因子，建立MAPS0-SVR逆模型；
[0010] 105、设定参考输入函数yMUt(k)及之前时刻的u值，并根据yMUt(k)、逆模型及对 象模型，计算出经逆模型预测出来的值uctr(k);
[0011]106、由已知的yMUt(k)、yjk)值，根据误差的定义及增量式PID原理Au(k)= &打1+1^打2+1^打3,其中kp表示比例控制系数，kd表示微分控制系数，卜表示积分控制系 数，xl=e(k)-e(k_l)，x2 =e(k) _2*e(k_l)+e(k_2)，x3 =e(k)，并根据步骤 105 中的 uctr(k)，根据公式u(k) =uctr(k) +Au(k)求得当前时刻u(k)值；
[0012] 107、根据步骤106及对象模型计算出下一时刻实际输出值y(Mt(k+l);
[0013] 108、如果k的取值还没超过采样时间，则转入步骤105,直到k值达到采样时间设 定值结束。
[0014] 进一步的，步骤101中的初始化种群相关参数包括定义解空间、环境规模、最大允 许迭代次数、惯性权值范围、学习因子。
[0015] 进一步的，步骤102中的粒子适应度函数F为：
【权利要求】
1. 一种基于改进支持向量回归的逆模型PID复合控制方法，其特征在于：包括以下步 骤： 101、 初始化设置种群相关参数，生成训练数据集、测试数据集，并对训练数据集及测试 数据集进行归一化处理； 102、 利用多Agent粒子群算法/MPSO对支持向量回归机SVR相关参数进行寻优，由适 应度函数及粒子位置、速度更新公式对支持向量回归机SVR参数寻优； 103、 判断是否满足终止条件，若满足则寻优结束从而确定最优粒子即MPSO-SVR的参 数寻优结果，跳转至步骤104 ;否则返回步骤102 ; 104、 确定逆模型拟合因子，建立MAPS0-SVR逆模型； 105、 设定参考输入函数yMUt (k)及之前时刻的u值，并根据yMUt (k)、逆模型及对象模 型，计算出经逆模型预测出来的值uctr (k); 106、 由已知的yMUt (k)、yMt (k)值，根据误差的定义及增量式PID原理A u (k)= 1^打1+1^打2+1^打3,其中kp表示比例控制系数，kd表示微分控制系数，卜表示积分控制系 数，xl = e (k) -e (k_l)，x2 = e (k) _2*e (k_l) +e (k_2)，x3 = e (k)，并根据步骤 105 中的 uctr (k)，根据公式u (k) = uctr (k) + A u (k)求得当前时刻u (k)值； 107、 根据步骤106及对象模型计算出下一时刻实际输出值y()Ut(k+l); 108、 如果k的取值还没超过采样时间，则转入步骤105,直到k值达到采样时间设定值 结束。
2. 根据权利要求1所述的基于改进支持向量回归的逆模型PID复合控制方法，其特征 在于：步骤101中的初始化种群相关参数包括定义解空间、环境规模、最大允许迭代次数、 惯性权值范围、学习因子。
3. 根据权利要求1所述的基于改进支持向量回归的逆模型PID复合控制方法，其特征 在于：步骤102中的粒子适应度函数F为：
其中Yi, y，i分别代表SVR训练输出值和期望输出值，N为训练样本数。
4. 根据权利要求1所述的基于改进支持向量回归的逆模型PID复合控制方法，其特征 在于：步骤102中的根据最优粒子的信息更新粒子的位置、速度的公式为：
式中下标t为迭代次数，Xt为第t次迭代时的粒子空间位置，Vt为第t次迭代时的粒 子速度，其中C1, C2为学习因子，ri，r2为介于（0, 1)之间的随机数，w为惯性常数。
5. 根据权利要求1所述的基于改进支持向量回归的逆模型PID复合控制方法，其特征 在于：步骤104中的逆模型拟合因子为
【文档编号】G05B11/42GK104330968SQ201410668815
【公开日】2015年2月4日 申请日期:2014年11月18日 优先权日:2014年11月18日
【发明者】唐贤伦, 张莉, 刘念慈, 张毅, 刘想德, 姜吉杰, 王福龙, 李腊梅 申请人:重庆邮电大学