基于改進GPR的自整定算法研究.pdf

1、本文將分別對傳統(tǒng)高斯過程回歸中存在的計算量大的問題給出兩種基于數(shù)據(jù)子集的近似方法;對于傳統(tǒng)辨識過程中存在的基于模型辨識的問題給出一種基于改進高斯過程回歸的無模型智能辨識方法;對于傳統(tǒng)的基于定量控制理論中控制器參數(shù)整定存在的調(diào)節(jié)度需要人工調(diào)整的問題,提出一種基于改進 GPR(Gaussian Process Regression)的機器學(xué)習方法;對于控制過程中較為難以整定的開環(huán)不穩(wěn)定對象,提出了一種新型的基于麥克勞林展開和Pade近似的H

2、性能指標下的控制器整定方法。本文的主要創(chuàng)新點和成果包括:
　　(1)針對傳統(tǒng)高斯過程回歸中存在的主要問題--計算量很大,提出了兩種利用數(shù)據(jù)子集近似的方法,一種為基于距離指標的混合算法,該算法結(jié)合了傳統(tǒng)近似算法中的貪心算法和隨機算法的各自優(yōu)點,既能夠利用隨機算法避免最壞情況發(fā)生的優(yōu)勢,又能夠結(jié)合貪心算法能夠增加最好情況發(fā)生的優(yōu)勢,從而使得最后的近似效果會優(yōu)于傳統(tǒng)的貪心算法和隨機算法;另外一種是基于最大方差指標的近似算法,該算法利用最

3、大方差性能指標,可以使得最后選出來的近似子集能夠包含最大的信息量,最大程度上的去冗余,也同時最能代表原來的數(shù)據(jù)樣本集。該兩種算法相比于傳統(tǒng)的近似算法都會有很高的性能提升。
　　(2)針對傳統(tǒng)的辨識過程中,一般都要首先選擇辨識對象的具體模型這個問題,同時由于傳統(tǒng)的基于控制對象階次的局限性,實際過程中純在高噪聲的特殊工況下,以及一般算法的低效性等實際存在的原因。提出了一種基于改進GPR的智能辨識方法,該方法可以智能的識別辨識對象所要采

4、用的具體模型,無需要選擇,根據(jù)實際回歸出來的平滑曲線選擇合適的辨識算法。同時針對傳統(tǒng)最小二乘起始點和終止點難以選擇的問題,提出一種基于改進 GPR的辨識方法,可以有效解決該問題。
　　(3)針對傳統(tǒng)的基于定量控制理論中控制器參數(shù)整定存在的性能度需要人工調(diào)整的問題,提出一種基于改進 GPR的機器學(xué)習方法。本方法通過學(xué)習已經(jīng)獲取的對應(yīng)關(guān)系,其中輸入為時間常數(shù)、時滯,輸出為在絕對誤差積分最小性能指標下的調(diào)節(jié)度與時滯的比值。本方法只需要通

5、過少量的樣本數(shù)據(jù)就可以根據(jù)給定的時間常數(shù)和時滯大小預(yù)測出IAE性能指標最小的?值,可以大大減少人工調(diào)節(jié)的復(fù)雜過程,從而加快了自整定的過程。
　　(4)針對控制過程中較為難以整定的開環(huán)不穩(wěn)定對象,提出了一種新型的基于麥克勞林展開和Pade近似的H性能指標下的控制器整定方法。同時該方法還可以簡單明了的設(shè)計閉環(huán)控制系統(tǒng)的前置濾波器,減少了系統(tǒng)的超調(diào)量,使得控制對象可以無超調(diào)的跟蹤輸入信號。本方法相比于其他的控制器參數(shù)整定方法有很好的魯棒