基于LV-SVMs 的UUV NARX动态辨识模型(一)

本论文在其他论文栏目，由论文格式网整理,转载请注明来源www.lwgsw.com,更多论文,请点论文格式范文查看提　要　鉴于水下无人控制机器人(UUV) 的动态控制越来越重要,本文针对当前辨识模型存在的所获参数精确性不足,运用非线性黑箱辨识模型,提出了基于最小二乘支持向量机的UUV NARX 动态辨识模型。将该模型应用于辨识UUV 的两个关键参数偏航角γ和x y 平面内的速度ν , 取得了良好的辨识效果。
　主题词　水下机器人　动态控制　非线性控制　参数识别　数学模型
水下无人控制机器人( UUV ———UnmannedUnderwater Vehicles) 目前已广泛地运用到商业、科研、军事等领域。但是,面对越来越长时间的工作量和种种未知的工作环境,对UUV 的动态控制也变得越来越复杂。因此,在UUV 中嵌入智能控制系统,以使UUV 能更好地完成复杂的任务。UUV的动态控制系统的输出,若能与参考模型的理想输出一致,则可以获得良好的控制性能,因而参考模型直接影响到动态控制系统能否对UUV 的当前状态作出正确判断。但是,UUV 的水动力学方程异常复杂[ 1 ] ,为此在以往的研究中,都是通过简化方程来获得UUV 的相关系统参数的,如文献[ 6 ]运用最小二乘法,文献[ 7 ]运用卡尔曼滤波法,都取得了不错的辨识效果。但这些简化都存在不同程度的损耗,降低了所获得参数的精确性。为了提高UUV 参数的精确性, 进一步提高UUV 的动态控制性能,本文提出了一种基于最小二乘支持向量机(LVOSVMS) 的非线性黑箱建模(BlackObox modeling) 方法,建立了基于最小二乘支持向量机的UUV NARX 动态辨识模型。
1 　非线性黑箱辨识模型
非线性黑箱辨识模型的结构如图1 所示。
图1 　非线性黑箱辨识模型结构图
对于输入向量ut = [ u(1) , u(2) , ⋯, u( t) ] 和输出向量yt = [ y (1) , y (2) , ⋯, y ( t) ] , 构造函数如下[4 ] y ( t) = g (ψ( t) ) +ν( t) 。其中g (·) 为对y ( t) 的估计; ν( t) 为误差项; ψ( t)=ψ( ut - 1 , yt- 1 ) 为回归因子。g (·) 是从输入向量ut ,到回归因子和从回归因子到输出向量yt 这两个映
射间的桥梁。
在实际应用中,已经建立了很多实用的非线性模型,常用的有:
(1) NFIR 模型,用u( t - k) 作为回归因子;
(2) NARX 模型,用u( t - k) 和y ( t - k) 作为回归因子;
(3) NOE 模型(也叫自回归输入/ 输出模型或并行模型) ,用u( t - k) 和^y ( t - k) 作为回归因子;
(4) NARMAX 模型,用u( t - k) , ^y ( t - k) 和ε( t - k) 作为回归因子。
　其中NOE 模型和NARMAX 模型对应于循环结构,即回归因子包含非线性模型的估计输出(注意,是非线性模型的输出而不是真实未知系统的输出) ,这种回归容易使系统不稳定。NOE 模型在内部形成反馈,这也可能造成模型的不稳定性。NFIR模型,仅仅用u( t - k) 作为回归因子,对于UUV 这样复杂的系统,回归因子中变量太少。为此,本文采用NARX 模型。
2 　最小二乘支持向量机
2. 1 　算法
LSOSVMs 是由Suyken J A K提出的一种新型的支持向量机[2 ] ,有别于传统支持向量机采用二次规划方法解决分类和函数估计问题。最小二乘支持向量机是采用多类核的机器学习,即采用核函数,根据Mercer 条件,从原始空间中抽取特征,将原始空间中的样本映射为高维特征空间中的一个向量,以解决原始空间中线性不可分的问题。具体算法推导如下:对于给定的样本数据集( xi , yi ) ( i = 1 ,2 , ⋯,l ; xi ∈Rn ; yi ∈Rn) , 利用高维特征空间中的函数:
y ( x) = ωTφ( x) + b;ω ∈ Rnh , b ∈R来拟合样本集。非线性映射φ( x) 把数据集从输入空间映射到高维特征空间。式中ω为权向量; b为偏置量。根据结构风险最小化原理,回归问题转化为约束优化问题:min J (ω, e) = 12ωTω +C2 Σli = 1e2is. t . 　yi = ωTφ( xi ) + b + ei式中C 为可调参数; ei ∈R 为误差变量。建立Lagrange 函数:
L ( ω, b, e;α) = J (ω, e) - Σli = 1αi [ωTφ( xi ) + b + ei - yi ]

首页上一页 1 2 3 下一页尾页 1/3/3