- 相關推薦
PSO并行優化LSSVR非線性黑箱模型辨識
針對非線性黑箱系統辨識中存在不確定性、高階次,采用常規辨識方法建立其精確數學模型十分困難等問題,提出一種基于自適應粒子群算法的最小二乘支持向量機回歸(PSO-LSSVR)非線性系統辨識方法.該方法采用2組自適應粒子群算法并行計算模型,分別利用自適應粒子群算法對LSSVR中的參數進行自動選取和矩陣迭代求解,既克服了傳統LSSVR參數難以確定的缺點,提高了辨識精度,同時避免了復雜矩陣求逆運算,加快了計算速度.將該方法應用于船舶操縱性模型非線性系統辨識,仿真結果表明,由該方法得到的LSSVR能夠有效地對系統進行建模,仿真精度高,結構簡單,具有一定的理論推廣意義.
作 者： 劉勝 宋佳 李高云 LIU Sheng SONG Jia LI Gao-yun 作者單位： 哈爾濱工程大學,自動化學院,黑龍江,哈爾濱,150001 刊 名： 智能系統學報 ISTIC 英文刊名： CAAI TRANSACTIONS ON INTELLIGENT SYSTEMS 年，卷(期)： 2010 5(1) 分類號： N945.1 TP18 關鍵詞： 粒子群算法 最小二乘支持向量機回歸 非線性系統辨識 黑箱模型 船舶操縱模型【PSO并行優化LSSVR非線性黑箱模型辨識】相關文章：
副熱帶高壓與東亞季風指數的非線性數學模型的遺傳算法參數優化04-26
廣義非線性混合效應模型的變離差檢驗04-27
基于代理模型的結構外形優化04-26
半參數非線性再生散度模型的漸近推斷04-26
河流系統水質管理模糊優化模型04-25
銀行資產負債管理的模型及其優化04-26
基于運輸模型的安全疏散方案優化方法探討04-26