最小二乘支持向量机在MIMO非线性系统广义逆控制中的应用

"这篇文章主要探讨了一种针对多输入多输出（MIMO）非线性系统的控制策略，即最小二乘支持向量机（LSSVM）广义逆控制方法。针对神经网络逆控制的局限性，该方法在状态难以直接测量的情况下，利用状态软测量函数和LSSVM来构建系统的广义逆模型。通过将原系统转化为伪线性复合系统，可以灵活配置系统极点。LSSVM用于近似静态非线性映射，同时结合状态量辨识和LSSVM逆模型辨识，实现了系统的控制目标。仿真结果在双电机变频调速系统上验证了该方法的有效性。" 本文是一篇研究论文，发表于2012年4月的《控制理论与应用》期刊第29卷第4期，作者包括刘国海、张懿、魏海峰和赵文祥。论文中提到的问题是针对那些模型未知且部分状态难以测量的MIMO非线性系统，这些系统在实际工程中普遍存在，例如复杂的工业过程控制等。 传统的神经网络逆控制方法存在一定的局限性，为此，作者提出了LSSVM广义逆辨识控制策略。首先，假设存在状态软测量函数，允许间接获取难以直接测量的状态信息。然后，通过广义逆转换，将原非线性系统转化为一个伪线性复合系统，这种转换的一个关键优势是可以自由配置系统的动态特性，即极点位置。 接下来，最小二乘支持向量机（LSSVM）被用来替代神经网络，以更精确地拟合系统中的静态非线性部分。LSSVM是一种基于结构风险最小化原理的机器学习方法，对于非线性问题有很好的建模能力。通过LSSVM训练，不仅可以实现非线性映射的拟合，还能同时完成状态量的软测量。 论文中将这一控制策略应用于双电机变频调速系统的仿真，仿真结果表明，LSSVM广义逆控制策略能够有效地控制MIMO非线性系统，验证了其在实际应用中的可行性。 这篇论文提供了一个新颖的非线性系统控制方案，利用LSSVM的优势解决了神经网络逆控制的局限性，为处理模型未知且状态难以测量的复杂系统提供了新的思路。该方法的实施有助于提高系统的控制精度和稳定性，对于工业控制领域的研究和实践具有重要的参考价值。