發(fā)布時(shí)間：2020-11-06 02:34

　　 建模是分析問題和解決問題的一種重要手段,無論是在純科學(xué)還是在實(shí)際應(yīng)用工程領(lǐng)域都有著廣泛的應(yīng)用,同時(shí)也是人們進(jìn)行故障診斷、故障預(yù)報(bào)以及了解、重構(gòu)、改造和控制所關(guān)注對(duì)象的有效方法�？紤]到在實(shí)際應(yīng)用中,被研究對(duì)象的復(fù)雜特性很難用機(jī)理的方式對(duì)其進(jìn)行建模,因此,基于數(shù)據(jù)的非機(jī)理模型建模成為研究的熱點(diǎn)。 作為統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)(support vector machinc,SVM),通過引入結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則來刻畫過擬合與泛化性能之間的關(guān)系,從而找到能夠在最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)和模型復(fù)雜度之間的最佳平衡點(diǎn)。SVM在回歸和函數(shù)估計(jì)上的應(yīng)用,被稱為支持向量回歸(SVR)。本文以SVR為主線,在基于數(shù)據(jù)的條件下對(duì)兩種相對(duì)應(yīng)的非機(jī)理模型,即確定性模型和非確定性模型建模分別進(jìn)行了研究,其中非確定性模型以區(qū)間川歸模型的形式來描述,最后將其研究應(yīng)用到了故障檢測(cè)和故障預(yù)測(cè)。本文的研究工作可歸結(jié)為如下兒個(gè)內(nèi)容： 針對(duì)TS模糊模型的后件參數(shù)辨識(shí),提出了一種基于最小二乘支持向量回歸(LSSVR)的結(jié)構(gòu)風(fēng)險(xiǎn)分解來建立新的代價(jià)函數(shù),該代價(jià)函數(shù)不是傳統(tǒng)意義上以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化來求解參數(shù),例如有最小二乘算法或它的變體、卡爾曼濾波算法、局部最優(yōu)EM算法等,而是同時(shí)考慮到如何控制模型結(jié)構(gòu)復(fù)雜性以及經(jīng)驗(yàn)風(fēng)險(xiǎn)又要最小,來取其折中。然后,以該代價(jià)函數(shù)作為優(yōu)化目標(biāo),TS模糊模型為約束條件,通過引入拉格朗日方法對(duì)其求解,最終得到模型的后件參數(shù)。在建立LSSVR的過程中,除了通過訓(xùn)練得到最終的模型參數(shù)(支持值參數(shù))外,其較好的泛化性能還與模型的自由參數(shù)(即超參數(shù))的選擇存在很大關(guān)系,所以該部分提出了基于無跡卡爾曼濾波(UKF)方法來實(shí)現(xiàn)LSSVR的超參數(shù)在線更新,極大的削弱了傳統(tǒng)超參數(shù)優(yōu)化方法對(duì)訓(xùn)練數(shù)據(jù)集大小的要求,而且在優(yōu)化過程中避免了較大的計(jì)算量和不利于自由參數(shù)的實(shí)時(shí)更新。 針對(duì)LSSVR,通常被稱為全局LSSVR,不具有局部解釋能力以及局部建模方法會(huì)存在邊界效應(yīng)的問題,即對(duì)處在邊界上的數(shù)據(jù)在建模過程中存在較大的偏差和計(jì)算時(shí)間�；�于此,該部分結(jié)合TS模糊模型的局部劃分原理,研究帶模糊劃分的模糊加權(quán)平均LSSVR用于非線性系統(tǒng)建模,克服了局部建模方法對(duì)處在邊界上的數(shù)據(jù)所引起的邊界效應(yīng)。 與前面確定性模型建模相對(duì)應(yīng),這部分內(nèi)容提出非確定性模型建模的研究,這里提到的非確定性將通過區(qū)間回歸模型來定義。因此,該部分研究了關(guān)于逼近誤差上界的L∞范數(shù)和l1范數(shù)最小化的LP-SVR區(qū)間回歸模型建模。由于模型結(jié)構(gòu)在建模過程中尤為重要,所以將SVR所具有的結(jié)構(gòu)風(fēng)險(xiǎn)最小化融合到區(qū)間回歸模型,將基于二次規(guī)劃求解的SVR問題轉(zhuǎn)化為較簡(jiǎn)單的線性規(guī)劃,緊接著,關(guān)于上界逼近誤差的兩種范數(shù)分別綜合到LP-SVR得到新的線性規(guī)劃問題,對(duì)其求解得到區(qū)間回歸模型。提出的方法不僅可以處理非對(duì)稱的區(qū)間回歸模型,而且URM與LRM被獨(dú)立求解,得到的間回歸模型結(jié)構(gòu)復(fù)雜性在滿足建模性能的同時(shí)也得到很好控制。 結(jié)合前面兩種非機(jī)理模型建模的研究,我們分別將其應(yīng)用于故障檢測(cè)和故障預(yù)測(cè)。對(duì)于故障檢測(cè),提出了通過在無故障情況下的數(shù)據(jù),建立系統(tǒng)無故障的自適應(yīng)閡值模型(用區(qū)間回歸模型描述)來作為故障發(fā)生的判斷,結(jié)果表明通過提出的方法可以較好的克服在一些故障檢測(cè)過程中存在較大時(shí)間滯后的問題,從而得到較好的檢測(cè)效果。此外,如何評(píng)估被研究對(duì)象的當(dāng)前狀態(tài),以及對(duì)系統(tǒng)未來狀態(tài)進(jìn)行預(yù)測(cè)并作判斷,即故障預(yù)測(cè),該部分提出了基于LSSVR與LP-SVR區(qū)間模型相結(jié)合的故障預(yù)測(cè)方法。為了能對(duì)基于LSSVR的預(yù)測(cè)模型進(jìn)行實(shí)時(shí)更新,同時(shí)又能減少更新算法的計(jì)算量,提出了UKF以及帶滑動(dòng)窗口的方法來實(shí)現(xiàn)預(yù)測(cè)模型的更新;對(duì)于故障預(yù)測(cè),其多步預(yù)測(cè)值的判斷仍是通過自適應(yīng)閾值模型來實(shí)現(xiàn)的。 最后,對(duì)全文的工作進(jìn)行了總結(jié),給出有待進(jìn)一步研究的課題和今后工作的重點(diǎn)。
【學(xué)位單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2015
【中圖分類】：TP18;O212.1
【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及研究意義
    1.2 基于SVR的兩種非機(jī)理模型建模的研究現(xiàn)狀
    1.3 SVR及LSSVR的基本理論與算法
    1.4 本文研究內(nèi)容及論文結(jié)構(gòu)安排
2 基于LSSVR的確定性非機(jī)理模型建模
    2.1 引言
    2.2 TS模型與模糊Gustafson-Kessel聚類算法
    2.3 基于LSSVR的結(jié)構(gòu)風(fēng)險(xiǎn)分解建模TS模型
    2.4 模糊加權(quán)平均機(jī)理的LSSVR建模非線性系統(tǒng)
    2.5 本章小結(jié)
3 基于UKF方法的LSSVR在線超參數(shù)更新
    3.1 引言
    3.2 無跡卡爾曼濾波原理
    3.3 基于UKF方法的LSSVR在線超參數(shù)更新
    3.4 仿真實(shí)例
    3.5 本章小結(jié)
4 關(guān)于上界逼近誤差最小化的LP-SVR區(qū)間回歸建模
    4.1 引言
    4.2 區(qū)間回歸分析
1范數(shù)最小化的LP-SVR區(qū)間回歸模型建模'>    4.3 基于l₁范數(shù)最小化的LP-SVR區(qū)間回歸模型建模
∞范數(shù)最小化的LP-SVR區(qū)間回歸模型建模'>    4.4 帶l_∞范數(shù)最小化的LP-SVR區(qū)間回歸模型建模
    4.5 本章小結(jié)
5 基于LP-SVR區(qū)間回歸模型及LSSVR的故障預(yù)測(cè)
    5.1 引言
    5.2 基于區(qū)間回歸模型的故障檢測(cè)
    5.3 基于LP-SVR區(qū)間回歸模型及LSSVR的故障預(yù)測(cè)
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)及創(chuàng)新點(diǎn)
    6.2 工作展望
致謝
參考文獻(xiàn)
附錄1 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
附錄2 公開發(fā)表的學(xué)術(shù)論文與博士學(xué)位論文的關(guān)系
附錄3 攻讀博士學(xué)位期間參與的科研項(xiàng)目

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫德山,吳今培,侯振挺,肖健華;基于SVR的混沌時(shí)間序列預(yù)測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2004年02期

2 丁蕾;廖同慶;陶亮;;基于SVR的多傳感器數(shù)據(jù)融合處理方法[J];傳感技術(shù)學(xué)報(bào);2011年05期

3 操敏;王士同;趙獻(xiàn)兵;;基于改進(jìn)的SVR算法上的混沌時(shí)間序列預(yù)測(cè)[J];統(tǒng)計(jì)與決策;2008年06期

4 胡良謀;曹克強(qiáng);王文棟;徐浩軍;董新民;;基于SVR的非線性系統(tǒng)故障診斷研究[J];機(jī)械科學(xué)與技術(shù);2010年02期

5 王玲;付冬梅;穆志純;;遺傳優(yōu)化的SVR在鋼材力學(xué)性能預(yù)報(bào)中的應(yīng)用[J];系統(tǒng)仿真學(xué)報(bào);2009年04期

6 陳榮;梁昌勇;謝福偉;;基于SVR的非線性時(shí)間序列預(yù)測(cè)方法應(yīng)用綜述[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年03期

7 蔡從中;王桂蓮;裴軍芳;朱星鍵;;瀝青生產(chǎn)過程中軟化點(diǎn)的SVR預(yù)測(cè)[J];重慶大學(xué)學(xué)報(bào);2011年09期

8 王文超;苗奪謙;陳驥遠(yuǎn);;基于SVR算法的燃?xì)廨啓C(jī)功率預(yù)測(cè)研究[J];計(jì)算機(jī)科學(xué);2013年S1期

9 榮健;申金娥;鐘曉春;;基于小波和SVR的紅外弱小目標(biāo)檢測(cè)方法[J];西南交通大學(xué)學(xué)報(bào);2008年05期

10 唐海燕;于德亮;丁寶;齊維貴;;基于SVR的電梯交通流時(shí)間序列預(yù)測(cè)[J];控制工程;2011年05期

相關(guān)博士學(xué)位論文 前2條

1 劉小雍;基于SVR的非機(jī)理模型建模研究及故障預(yù)測(cè)[D];華中科技大學(xué);2015年

2 周曉劍;基于SVR的元建模及其在穩(wěn)健參數(shù)設(shè)計(jì)中的應(yīng)用[D];南京理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前5條

1 劉幫;多核SVR在污水處理出水指標(biāo)建模中的應(yīng)用研究[D];湖南工業(yè)大學(xué);2015年

2 錢吉夫;SVR季節(jié)性時(shí)間序列預(yù)測(cè)模型的構(gòu)建與應(yīng)用[D];華南理工大學(xué);2010年

3 譚艷峰;基于SVR的話務(wù)量預(yù)測(cè)模型研究[D];新疆大學(xué);2010年

4 譚慶雙;基于SVR的混凝土/水泥的配合比對(duì)其抗壓強(qiáng)度影響規(guī)律的研究[D];重慶大學(xué);2014年

5 周曉劍;拉斯噪聲和均勻噪聲下SVR的魯棒性研究[D];江南大學(xué);2008年

本文編號(hào)：2872543