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 |