您现在的位置是:网站首页 > 西方诗歌

支持向量机在智能建模和模型预测控制中的应用

本站2019-07-09166人围观
简介 摘要第1-6页Abstract第6-9页致谢第9-10页目录第10-14页第一章绪论第14-40页·统计学习理论和支持向量机概述第14-21页·统计学习理论的核心内容第14-17页·支持向量机

支持向量机在智能建模和模型预测控制中的应用

摘要第1-6页Abstract第6-9页致谢第9-10页目录第10-14页第一章绪论第14-40页·统计学习理论和支持向量机概述第14-21页·统计学习理论的核心内容第14-17页·支持向量机第17-21页·支持向量机分类第17-19页·支持向量机拟合第19-21页·核函数第21页·模型预测控制概述第21-32页·MPC发展历史第22-23页·MPC基本原理第23-25页·MPC的稳定性、鲁棒性和可行性第25-29页·MPC建模方法第29-32页·支持向量机在智能建模和模型预测控制中的应用研究现状第32-36页·支持向量机在智能建模中的应用研究现状第32-34页·支持向量机在模型预测控制中的应用研究现状第34-36页·自组织映射概述第36-37页·本文主要内容第37-40页第二章MIMO系统基于SVM的提前一步非线性模型预测控制第40-52页·引言第40-41页·MIMO系统基于SVM的提前一步NMPC算法第41-47页·非线性MIMO系统基于SVM的建模第42-44页·优化MPC目标函数第44-47页·控制算法步骤第47页·仿真结果与讨论第47-51页·结论第51-52页第三章MIMO系统基于并行SVMs的提前多步非线性模型预测控制第52-70页·引言第52-53页·MIMO系统基于并行SVMs的提前多步NMPC算法第53-61页·非线性MIMO系统基于SVM的提前多步预测模型第54-56页·优化MPC目标函数第56-60页·控制算法步骤第60-61页·仿真结果与讨论第61-68页·算法SVMs-NMPC与NNs-NMPC和IM-NMPC比较第63页·MPC参数H_p和H_u的选取第63-68页·结论第68-70页第四章基于SVM的多模型预测控制算法第70-90页·引言第70-71页·基于SVM的多模型预测控制算法第71-81页·SISO系统基于SVM的多模型预测控制算法第72-77页·MIMO系统基于SVM的多模型预测控制算法第77-81页·仿真结果与讨论第81-89页·SISO系统控制仿真第81-86页·MIMO系统控制仿真第86-89页·结论第89-90页第五章基于线性核并行SVMs的模型预测控制的鲁棒稳定性分析第90-104页·引言第90-91页·基于线性核并行SVMs的MPC稳定性分析第91-94页·基于线性核并行SVMs的MPC鲁棒性分析第94-96页·仿真结果与讨论第96-101页·例1第96-99页·例2第99-101页·结论第101-104页第六章基于多核SVM的非线性模型预测控制第104-118页·引言第104-105页·基于多核SVM的非线性系统辨识第105-107页·多核SVM模型结构第105-107页·多核SVM辨识训练方法第107页·基于多核SVM的非线性模型预测控制第107-111页·参考轨迹和反馈校正第107-109页·优化MPC目标函数第109-111页·仿真结果与讨论第111-117页·例1第111-114页·例2第114-117页·结论第117-118页第七章基于SOM与SVM结合的电力负荷短期预测第118-128页·引言第118-120页·基于SOM与SVM结合的电力负荷短期预测第120-121页·用SOM方法进行预测日的聚类分析第120-121页·用SVM方法对预测日的日48点负荷分别预测第121页·仿真结果与讨论第121-127页·RBF核参数、SVM参数对预测精度的影响第122-124页·样本预处理对预测精度的影响第124-125页·SOM聚类的作用第125-127页·结论第127-128页第八章总结与展望第128-132页参考文献第132-146页附录第146-147页。