PCA—LSSVM方法的控制系统性能评估

合集下载

基于PCA和LS—SVM的软测量建模与应用

ＡｂｔａｔＴｏｓｌｅｔｅｐｏｌｍｓｏｅｌｔｅｏ —ｉｅｍｅｓｒｍｅｔｆｓｍｅｉｏｔｎｒｃｓｓｒｃ．ｏｖｈｒｂｅｆｒａ — ｉｎｌａｕｅｎｓｏｏｍｐｒａｔｐｏｅｓｍｎｖｒａｌｓａｄｏａａｈｎｌｇｗｉｈｈｇｉｅｓｏ，ａｎｖｌｍｅｈｄｏｏｔｓｎｏａｅｎｔｅａｉｂｅｎｆｄｔａｄｉｔｉｈｄｍｎｉｎｏｅｔｏｆｓｆｅｓｒｂｓｄｏｈｎ
（ＣＡ）；Ｏｔｓｎｏ；ＦｎｕａｅｗｏｋＰＳｆｅｓｒＲＢｅｒｌｔｒｎ
在生化工业中，由于工艺和技术的限制，多许重要的过程变量特别是质量指标（如文中所研究的工业阿维菌素发酵过程中的生物参数）以进行实难
水平的提高．软测量技术作为解决此类问题的一种方法，它
（ｔｎｌａｏａｏｙｏｄｓｒｌｏｔｌｅｈｏｏｙＺ￣ａｇＵｎｖｒｉ，Ｈａｇｈｕ３０２．ｈｎ）Ｎａｉａｂｒｔｒｆｎｕｔｉｎｒｃｎｌｇ，ｈｉｎｉｅｓｙｏＬＩａＣｏＴｔｎｚｏ１０７Ｃｉａ
ＶＯ．Ｎｏ２Ｉ５．
Ａｐ．２０ｒ０６
文章编号：６１７４（０６０ —０８ — ０１７ — １７２０）２１２５
基于ＰＡ和Ｌ —Ｖ的软测量建模与应用ＣＳＳＭ
俞佩菲，吴燕玲，卢建刚，孙优贤

基于LMD-PCA-LSSVM的滚动轴承安全域估计和状态辨识方法

ＺＨＡＮＧＹｕａｎ，ＱＩＮＹｏｎｇ，ＸＩＮＧＺｏｎｇ — ｙｉ。，ＪＩＡＬｉ — ｍｉｎ，ＣＨＥＮＢｏ
（１．ＳｃｈｏｏｌｏｆＴｒａｆｉｆｃａｎｄＴｒａｎｓｐｏｔｒａｔｉｏｎ，ＢｅｉｊｉｎｇＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００４４，Ｃｈｉｎａ；２．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＲａｉｌＴｒａｆｉｆｃＣｏｎｔｒｏｌａｎｄＳａｆｅｔｙ，ＢｅｉｊｉｎｇＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００４４，Ｃｈｉｎａ；
障状态的振动数据进行分段，每段数据进行ＬＭＤ后获得各乘积函数分量；其次，基于各段数据的乘积函数分量，利用ＰＣＡ
提取出每段数据的和ＳＰＥ统计量控制限值作为滚动轴承的状态特征量；最后，利用二分类的ＬＳＳＶＭ进行滚动轴承运
主成分分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）和最小二乘支持向量机（ＬｅａｓｔＳｑｕａｒｅＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＬＳＳＶＭ），进行了滚动轴承运行状态的安全域估计以及正常和各种故障状态的辨识。首先，按一定的时间间隔将采集正常及各种故

基于PCA-GA-LSSVM的输电线路覆冰负荷在线预测模型

基于PCA-GA-LSSVM的输电线路覆冰负荷在线预测模型陈勇;李鹏;张忠军;聂海福;沈鑫【摘要】针对目前输电线路覆冰负荷预测模型存在的预测精度不足、模型参数选择随意性强、预测效率低等问题,提出了一种基于现场监测数据的输电线路覆冰负荷在线预测模型.首先基于主成分分析法(Principal Component Analysis,PCA)提取微气象数据中的有效信息,并采用遗传优化算法(Genetic Algorithm,GA)对惩罚系数等模型参数进行优化确定,建立离线最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)模型.然后基于KKT条件(Karush-Kuhn-Tucker conditions)和增量在线学习算法,实现了回归函数和预测模型的在线更新.最后通过云南电网相关输电线路覆冰灾害的实例进行仿真分析.实验结果表明所提模型可有效地对现场输电线路覆冰负荷进行在线预测,单步长及多步长的预测效果均优于传统的覆冰预测模型,应用该预测模型可更好地为输变电系统的除冰和维护决策服务.【期刊名称】《电力系统保护与控制》【年(卷),期】2019(047)010【总页数】10页(P110-119)【关键词】输电线路;最小二乘支持向量机;覆冰预警;主成分分析;在线预测【作者】陈勇;李鹏;张忠军;聂海福;沈鑫【作者单位】云南大学信息学院,云南昆明 650500;云南大学信息学院,云南昆明650500;云南大学信息学院,云南昆明 650500;云南大学信息学院,云南昆明650500;云南电网有限责任公司电力科学研究院,云南昆明 650217【正文语种】中文输电线路覆冰会引起绝缘子闪络、导线舞动、跳闸、断线和电力通信中断等严重事故、严重影响了人民的生产生活，造成巨大的经济损失。

随着越来越多交直流超特高压输电线路穿越覆冰地区，导线覆冰问题已成为制约电力系统安全稳定运行的主要因素之一[1-5]。

基于LS-SVM的某型装备保障性能评估研究

型；以某型油料装备为例，运用模型确立的保障性能评估指标体系和支持矢量学习决策模式，对其保障性能进行了评估。该研究结果对于优化提高装备保障性能，强装备保障能力具有重要现实意义。增关键词：最小二乘支持向量机；油料装备综合保障；保障性能评估
中图分类号：Ｐ８Ｔ１文献标识码：Ａ文章编号：０７７７（０６０－０００１０．３５２０）４０８－３
ＳｐｏｔｂｌｙＡｓｅｓｎｆＣｅｔｉｕｐｎｓｄｕｐｒａｉｔｓｓｍｅｔｏｒａｎＥｑｉｍｅｔＢａｅｉｏａｔＳｕｒｓＳｐｏｔＶｅｔｒＭａｈｎｓｎＬｅｓｑａｅｕｐｒｃｏｃｉｅ
装备保障能力的重要途径之一。装备保障性能研究是在装备研制和使用过程中为满足战备和保障任务要求，综合规划装备所需的保障问题，在装备使用的
ｍｅｒｉｔ．
Ｋｅｒｓｌａｔｑａｅｕｐｒｖｃｏｃｉｅｏｌｑｉｍｅｔｏｒｈｎｅｓｐｒｂｌ；ｕｐｒｂｌ－ｙｗｏｄ：ｅｓｕｒｓｓｐｔｅｔｒｓｏｍａｈｎ；ｉｅｕｐｎｍｐｅｅｖｕｐｔｉｔｓｐｔｉｔａｃｓｏａｉｙｏａｉｓｙ
科学、有效地进行装备保障性能评估已成为提高装备综合保障能力的重要研究方向。
支持向量机（ｕｐｒｖｃｒｍｃｎ，Ｖ是一ｓｐｔｅｔａｈｅＳＭ）ｏｏｉｓ种有效的非线性问题处理工具，建立在统计学习它
水平要求高。对其保障性能进行评估研究，是提高

基于LS-SVM的IT企业信用评估研究

基于LS-SVM的IT企业信用评估研究作者：冯璐周勇来源：《牡丹江师范学院学报（自然科学版）》2022年第04期摘要：構建IT企业信用评价模型，采用LS-SVM方法对企业风险进行量化研究.研究结果表明，LS-SVM可以刻画IT企业违约与否的线性特征，并可将二次规划问题转化为线性规划问题，降低计算的复杂程度，是企业信用评级的有效工具.关键词：LS-SVM；信用评估；信用风险；IT企业[ 中图分类号 ]F275.5 [ 文献标志码 ] AResearch on IT Enterprise Credit Evaluation based on LS-SVMFENG Lu，ZHOU Yong（College of Xinjiang University of Finance and Economics Statistics and data sciences，Urumqi 830012，China）Abstract：This paper constructs the credit evaluation model of IT enterprise，and uses LS-SVM method to quantify the enterprise risk.The results show that LS-SVM can characterize the linear feature of default or non-default，and can transform quadratic programming problem into linear programming problem，reduce the complexity of calculation，and is an effective tool for enterprise credit rating.Key words：least squares support vector machine；credit assessment；credit risk；IT enterprise国务院于2015年提出的《国务院关于积极推进“互联网+”行动的指导意见》鼓励市场主体利用互联网进行技术创新，由此互联网发展的如火如荼，作为利用互联网发展的代表性行业IT行业也进入了高速发展时期.IT行业不仅是新业态、新动能的重要体现，也是我国创新发展战略中重要的一环.IT企业的产品多以软件产品为主，其企业的不动产占比较少，财务建设具有滞后性[1]，开发项目受客户关系影响较大[2]，人力资本需货币激励与非货币激励并重[3-4]等特点，难以被纳入信贷机构现有的信用评级体系，导致IT企业在融资过程中难以得到客观评价的信用评估报告，使得其在直接融资过程中被拒绝，不利于IT企业高质量的发展.信用评估缺失还会使信贷相关行业坏账和呆账的风险增大，信用风险凸显.学者对于IT企业信用评估问题采取的多是logistic算法[5-6]，对于IT企业特点来说，其形成的信用评估模型难以满足IT 企业信用评估的要求.本文结合LS-SVM算法[7]，构建IT企业信用评估模型.1 IT企业特征及发展现状IT企业即信息技术产业，是运用信息手段和技术，收集、整理、储存、传递信息情报，提供信息服务，并提供相应的信息手段、信息技术等服务的产业.IT企业作为一种特殊的高科技产业，有以下几个基本特点：产品更新周期快，风险较高，收益也较高.IT企业是随着科技的发展而发展起来的新兴产业，现代科技产品为了获得市场的先机与消费者的青睐，更新换代的速度令人咋舌，因此IT企业产品的更新周期也比较快.IT企业的风险来自于前期设备和人才的引用，因而IT企业也属于资本较密集的一种产业.IT企业最核心的竞争力为其所生产的各类科技软件或者产品，这类产品往往综合了IT企业人才的知识转移量，但是在这个过程中，由于产品在市场推进过程中受不确定因素的影响较大，因此风险性较大；其经营领域涉及面较为广泛；经营业务多样，产品多为私人定制类型，业务受客户资源的影响.随着科技的发展，数字时代的来临，IT企业数量和质量的提升尤为显著，特别是当代工业互联网的发展，大大促进了IT企业与其他企业的联系，这两类企业融合成了不可分割的整体，呈现出了全新的产业面貌.中国的IT产业发展指数（ITII）由2014年的61.5分提高到2018年的76.3分，由第二梯队末位提升至第二梯队中游水平，并于2018年首次超越英国和韩国位列第四位.2018年中国IT产业发展迅速，在产业结构上优化改进也有了长足的进步，核心竞争力随着产品的优质有了长足的进步，大幅度提升了本土IT企业的创新发展力.随着互联网产业的快速发展以及产业方式的转变，IT产业走上了高速平稳发展的道路，产业融合提升最为显著，融合指数由50.1分升至76.5分，证明我国IT企业核心竞争力得到认可.当前我国IT 产业的发展已经形成了品牌效应，走上了国际化发展道路.2 IT企业信用评价指标体系及评价模型2.1 建立IT企业信用评价体系选取锐思金融数据库若干家IT企业的财务信息，从中抽取11个财务指标作为判断企业信用评级的依据.IT企业指标体系见表1.2.2 构建IT企业信用评价模型将IT企业的信用数据指标作为分类数据点，采用LS-SVM分类器确定一个由这些数据点构成的超平面.如果用[X]表示数据点，用[Y]表示类别（[Y]可以取1或者-1，分别代表两个不同的类），一个线性分类器的学习目标便是要在n维的数据空间中找到一个超平面，这个超平面的方程可以表示为：[WT×X+B=0]. （1）式（1）中，[WT]中的[T]代表转置. 在超平面确定的情况下，（1）式表示点[X]距离超平面的远近.通过观察[WT×X+B]的符号与类别标记[Y]的符号是否一致，可判断分类是否正确.用表示类别的[YWT×X+B]的正负性来判定或表示分类的正确性.函数间隔[γ∧]为：[γ∧=YWT×X+B=YfX] . （2）超平面[（W，B）]是关于[T]中所有样本点[（Xi，Yi）]的函数间隔最小值.其中，[X]是特征，[Y]是结果标签，[i]表示第[i]个样本.超平面[（W，B）]关于训练数据集T的函数间隔为：[γ∧=miniγ∧] . （3）对法向量[W]加约束条件，引出真正定义点到超平面的距离——几何間隔的概念：[X=X0+γ∧×WW] . （4）如果令函数间隔[γ∧]等于1，则有[γ∧=1W]，目标函数转化成[max1W，s.t.YiWT×X+B≥1].为了求[1W]的最大值，转化为[12W2]的最小值，可以使目标等价为：[min12W2，s.t.YiWT×Xi+B≥1，i=1，2……n ]. （5）由于这个问题的特殊结构，还可以通过拉格朗日对偶性变换到对偶变量的优化问题，即通过求解与原问题等价的对偶问题得到原始问题的最优解，进而推广到非线性分类问题，因此得到新的函数解析式：[LW，B，a=12W2-i=1nαiYiWT×X+B-1] . （6）[θW，B，a=maxαi≥0LW，B，α]. （7）（1）让[α]固定，让 [L]关于 [W]和 [B] 最小化.分别对[W]以及[B]求偏导数，并令两者的偏导数等于零.[∂L∂W=0⇒W=i=1nαiYiXi∂L∂B=0⇒i=1nαiYi=0]. （8）将得到的结果带入公式（6），可以得到[LW，B，a=i=1nαi-12i，j=1nαiαjYiYjXTiXj] . （9）（2）求对[α]的极大，即是关于对偶问题的最优化问题.从上面的式子得到：[Maxi=1nαi-12i，j=1nαiαjYiYjXTiXjs.t.αi≥0，i=1，2……ni=1nαiYi=0]. （10）即可求出[αi].根据已有的公式可以得到两个参数[W，B]的值，最终可以得到分类平面和分类决策函数.利用SMO算法求解对偶问题中的拉格朗日乘子[α].为了使模型在线性不可分条件下也可使用，引入松弛变量[ξi]，在原来的目标函数后面加上一项，使得总和也要最小：[min12W2+Cξi].其中，C是一个参数，用于控制目标函数中两项之间的权重，得到的目标函数：式（1）中，[WT]中的[T]代表转置. 在超平面确定的情况下，（1）式表示点[X]距离超平面的远近.通过观察[WT×X+B]的符号与类别标记[Y]的符号是否一致，可判断分类是否正确.用表示类别的[YWT×X+B]的正負性来判定或表示分类的正确性.函数间隔[γ∧]为：[γ∧=YWT×X+B=YfX] . （2）超平面[（W，B）]是关于[T]中所有样本点[（Xi，Yi）]的函数间隔最小值.其中，[X]是特征，[Y]是结果标签，[i]表示第[i]个样本.超平面[（W，B）]关于训练数据集T的函数间隔为：[γ∧=miniγ∧] . （3）对法向量[W]加约束条件，引出真正定义点到超平面的距离——几何间隔的概念：[X=X0+γ∧×WW] . （4）如果令函数间隔[γ∧]等于1，则有[γ∧=1W]，目标函数转化成[max1W，s.t.YiWT×X+B≥1].为了求[1W]的最大值，转化为[12W2]的最小值，可以使目标等价为：[min12W2，s.t.YiWT×Xi+B≥1，i=1，2……n ]. （5）由于这个问题的特殊结构，还可以通过拉格朗日对偶性变换到对偶变量的优化问题，即通过求解与原问题等价的对偶问题得到原始问题的最优解，进而推广到非线性分类问题，因此得到新的函数解析式：[LW，B，a=12W2-i=1nαiYiWT×X+B-1] . （6）[θW，B，a=maxαi≥0LW，B，α]. （7）（1）让[α]固定，让 [L]关于 [W]和 [B] 最小化.分别对[W]以及[B]求偏导数，并令两者的偏导数等于零.[∂L∂W=0⇒W=i=1nαiYiXi∂L∂B=0⇒i=1nαiYi=0]. （8）将得到的结果带入公式（6），可以得到[LW，B，a=i=1nαi-12i，j=1nαiαjYiYjXTiXj] . （9）（2）求对[α]的极大，即是关于对偶问题的最优化问题.从上面的式子得到：[Maxi=1nαi-12i，j=1nαiαjYiYjXTiXjs.t.αi≥0，i=1，2……ni=1nαiYi=0]. （10）即可求出[αi].根据已有的公式可以得到两个参数[W，B]的值，最终可以得到分类平面和分类决策函数.利用SMO算法求解对偶问题中的拉格朗日乘子[α].为了使模型在线性不可分条件下也可使用，引入松弛变量[ξi]，在原来的目标函数后面加上一项，使得总和也要最小：[min12W2+Cξi].其中，C是一个参数，用于控制目标函数中两项之间的权重，得到的目标函数：。

基于PCA及其扩展方法的控制系统性能评估

Ｒｅ．００，９，２８２１ｓ２１４２２－２４．
传统的ＭＰＡ的监控方法大多数是首先根据系统正常运行数据建立多Ｃ变量统计图，于该统计图对目前系统的运行状况进行检测，基监控当前运行的状况是否正常。但是他们没有对目前的控制系统是否运行在最优状态进
多变量控制系统性能评估中，我们已知最小方差基准没有考虑不同变量之间的互相关关系，为了获得较好的控制系统性能，同样作者采用ＰＡ对最小方差矩阵进行主元分析。同的是，Ｃ不首先将间歇过程中的数据按照批次 ×（间 ×变量）时分成两个维度，对这个维度下的最下方差矩阵进行主元分析，提取主元方向和残差矩阵，除系统输出的相关性，建立去再
最小方差基准对系统进行评估。
其扩展方法针对最小方差基准的局限性，提出了可行有效的性能评价基准。章通过实验验证了其方法的有效性。文但是上述方法我认为也还有－一－些问题，例如作者建立的性能评估基准是否对大多的控制系统可行有效还有待验证；者使用ＰＡ的方法对最小方差进行改进，是ＰＡ本身作Ｃ但Ｃ
行评估，无法判断是否可以通过调整控制器来改进其性能。在本文中作者基
于性能评估基准，利用系统运行在最优状况时的数据建立ｒ和Ｑ统计限，ｒ２利用当前系统与最优状况的偏差确定系统是否运行在最优状况。同时由于ＭＶ考虑的是较低的性能基准范围，该基准经常会导致大的
了新的方向。参考文献：
［Ｈ．ｅ，ｄＷ．Ｙ．ａｇＰＡ— ＲＡＢｓｎｒｌａｔｆｒ１Ｕ．Ｃｈｎａ一Ｗｎ，ＣＡＭ — ａｅＣｏｔｒｎｄｏＣｈｓｏ

基于EMD-PCA-LSSVM方法的滚动轴承安全域估计和状态辨识

基于EMD-PCA-LSSVM方法的滚动轴承安全域估计和状态辨识张媛;秦勇;邢宗义;贾利民;廖贵玲【期刊名称】《高技术通讯》【年(卷),期】2013(023)005【摘要】将安全域的思想引入滚动轴承的状态监测中,综合利用经验模式分解(EMD)、主成分分析(PCA)和最小二乘支持向量机(LSSVM),进行了滚动轴承运行状态的安全域估计以及正常和各种故障状态的辨识.首先,按一定的时间间隔将采集的振动数据分段,每段数据进行EMD后获得各本征模函数(IMF)分量；其次,基于各段数据的本征模函数分量,利用主成分分析方法提取出每段数据的T2统计量和平方预估误差(SPE)统计量控制限值作为滚动轴承的状态特征量；最后,利用二分类的LSSVM进行滚动轴承运行状态的安全域估计,利用多分类的LSSVM进行滚动轴承的正常以及滚动体故障、内圈故障、外圈故障四种状态的辨识.试验结果显示安全域估计准确率和多种状态辨识正确率均大于95％,验证了上述方法的有效性.%The idea of safety region was introduced into the condition monitoring of rolling bearings,and the research on estimation of a rolling bearing' s safe operating region and identification of a rolling bearing' s operating state (normal or at fault) was performed by combinative use of empirical mode decomposition (EMD),principal component analysis (PCA) and least square support vector machine (LSSVM).Firstly,the vibration data of a rolling bearing was collected and it was segmented at regular intervals,and intrinsic mode functions (IMFs) of each segment' s data were obtained byusing EMD.Then two statistical variables' control limits as the state characteristics of the rolling bearing were calculated based on PCA.At last,the boundary of the safety region was estimated by a twoclassification LSSVM,and the normal condition and three fault conditions were identified by a multi-classification LSSVM.The experimental results indicated that the accuracy of safety region estimation and that of state identification were both more than 95 ％,so the effectiveness of the above method was verified.【总页数】8页(P525-532)【作者】张媛;秦勇;邢宗义;贾利民;廖贵玲【作者单位】北京交通大学交通运输学院北京100044;北京交通大学交通运输学院北京100044;南京理工大学自动化学院南京210014;北京交通大学交通运输学院北京100044;北京交通大学交通运输学院北京100044【正文语种】中文【相关文献】1.基于VPMELM的滚动轴承劣化状态辨识方法 [J], 郑近德;潘海洋;童宝宏;张良安2.基于LMD-PCA-LSSVM的滚动轴承安全域估计和状态辨识方法 [J], 张媛;秦勇;邢宗义;贾利民;陈波3.基于LSSVM和PNN的车轮状态安全域估计及故障诊断 [J], 冯坚强;李俊明;王晓浩;曹康4.基于粒子滤波状态估计的滚动轴承故障识别方法 [J], 史晓雪;吴亚锋5.基于安全域估计的轨道车辆服役状态安全评估方法 [J], 秦勇;史婧轩;张媛;朱圣芝;贾利民因版权原因，仅展示原文概要，查看原文内容请购买。

基于LS-SVM算法的实兵对抗演习作战效能评估

基于LS-SVM算法的实兵对抗演习作战效能评估代耀宗;沈建京;郭晓峰;廖鹰【摘要】在实战化实兵对抗演习训练中,经验驱动的作战效能评估方法存在主观性强、评估效率低的问题,对于部队提升实战化训练水平、强化实战能力带来不利影响.针对上述问题,提出数据驱动的实兵对抗演习作战效能评估方法,引入最小二乘支持向量机算法(LS-SVM)构建评估模型,通过演习数据对模型进行训练,建立效能指标和作战效能的非线性映射复杂关系.实验表明,基于LS-SVM算法的实兵对抗演习效能评估方法具有更高的效率和精度.【期刊名称】《火力与指挥控制》【年(卷),期】2019(044)004【总页数】5页(P17-21)【关键词】实兵对抗演习;效能评估;数据驱动;最小二乘支持向量机【作者】代耀宗;沈建京;郭晓峰;廖鹰【作者单位】信息工程大学理学院,郑州 450001;信息工程大学理学院,郑州450001;信息工程大学理学院,郑州 450001;信息工程大学理学院,郑州 450001【正文语种】中文【中图分类】TJ01;E250 引言实兵对抗演习是检验和提高部队战斗力的重要手段［1］，作战效能评估作为实兵对抗演习的重要内容，其目的是准确掌握部队战斗力现状，争取以最小代价实现最大预期目标［2］。

当前，在实兵对抗演习训练中，裁决员直接根据作战经验对作战效能进行评分，本质上是经验驱动的效能评估方法，人为因素较多，主观性强，且耗时长、成本高［3］。

随着高新技术在军事领域的应用，现代战争呈现出前所未有的复杂性，战争态势瞬息万变，战场数据海量增长，要求效能评估有更高的速度和精度，经验驱动方法已无法适应现代战争的要求。

近年来，在效能评估理论研究领域，有学者将机器学习算法应用于作战效能评估领域，如人工神经网络、贝叶斯网络和支持向量机等。

文献［4-5］将神经网络运用于效能评估，通过仿真证明了方法的可行性，但神经网络对样本数据量要求高，且需要根据经验设定相关参数，训练速度较慢，易陷入局部最优；文献［6］针对影响作战效能的不确定性因素，提出基于灰色模糊贝叶斯网络的作战效能评估模型，该方法需要多方面先验知识和后验知识，在实际应用中，需大量收集并实时更新领域专家的知识信息，评估过程较为复杂；文献［7］建立了基于支持向量机的作战效能评估模型，降低了人为因素的影响，但传统支持向量机适用于解决小样本数据问题，算法精度和速度有待提升。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｅｖａｌｕａｔｉｏｎｐｒｏｃｅｓｓ。ｔｈｅｐｅｒｆｏｍａｒｎｃｅａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｂａｓｅｄＯｉｌｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｐｉｒｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＰＣＡ）ａｎｄｌｅａｓｔｓｑｕａｒｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＬＳＳＶＭ）ｆｏｒｍｕｌｔｉ — ｖａｉｒａｂｌｅｃｏｎｔｒｏｌｓｙｓｔｅｍｉＳｐｒｏｐｏｓｅｄ．Ｔｈｅｄｉｍｅｎｓｉｏｎｒｅｄｕｃｔｉｏｎｏｆｈｅｔｏｉｒｇｉｎａｌｉｎｄｅｐｅｎｄｅｎｔｖａｉｒａｂｌｅｓｉｓ
ＰＣＡ．ＬＳＳＶＭ方法的控制系统性能评估
蔡宏斌，等
ＰＣＡ — ＬＳＳＶＭ方法的控制系统性能评估
ＰｅｒｆｏｒｍａｎｃｅＡｓｓｅｓｓｍｅｎｔＢａｓｅｄｏｎＰＣＡ— ＬＳＳＶＭｆｏｒＣｏｎｔｒｏｌＳｙｓｔｅｍ
ｐａｒａｍｅｔｅｒｓｏｆＩＳＳＶＭｉｓｉｍｐｒｏｖｅｄ．Ｔｈｅｓｏｌｖｉｎｇｏｆｓｙ；ｔｅｍａｓｓｏｃｉａｔｅｄｍａｔｉｒｘｉｓｎｏｔｎｅｃｅｓｓａｒｙｗｉｔｈｔｈｉｓｍｅｔｈｏｄｏｒｆｐｅｒｆｏｍａｒｎｃｅａｓｓｅｓｓｍｅｎｔ，ａｎｄ
量机（ＬＳＳＶＭ）相结合的多变量控制系统性能评价方法。该方法将原始自变量数据通过ＰＣＡ方法进行降维处理，利用二次损失函数取
代支持向量机中的不敏感损失函数，将不等式约束变为等式约束，从而将二次规划问题转变为线性方程组的求解，并对ＬＳＳＶＭ的参数选取做了改进。该方法在性能评价过程中不需要求解系统关联矩阵，简化了求解的复杂性。仿真实例验证了ＰＣＡ．ＬＳＳＶＭ性能评价方法更能反映控制系统真实性能。关键词：最小二乘支持向量机
ｔｈｅｓｏｌｖｉｎｇｃｏｍｐｌｅｘｉｔｙｉｓｓｉｍｐｌｉｉｅｆｄ．ＴｈｅｐｒａｃｔｉｃａｌｅｘａｍｐｌｅｏｆｓｉｍｕｌａｔｉｏｎｖｅｉｆｒｉｅｓｔｈａｔｔｈｅＰＣＡ— ＬＳＳＶＭｍｅｔｈｏｄｂｅｔｔｅｒｒｅｌｆｅｃｔｓｔｈｅｒｅａｌ
ｃｏｎｄｕｃｔｅｄｂｙＰＣＡｍｅｔｈｏｄ；ｔｈｅｉｎｓｅｎｓｉｔｉｖｅｌｏｓｓｆｕｎｃｔｉｏｎｉｎＳＶＭｉｓｒｅｐｌａｃｅｄｂｙｑｕａｄｒａｔｉｃｌｏｓｓｆｕｎｃｔｉｏｎ，ａｎｄｔｈｅｉｎｅｑｕａｌｉｔｙｃｏｎｓｔｒａｉｎｔｓｉｓｒｅｐｌａｃｅｄｂｙｅｑｕａｌｉｔｙｃｏｎｓｔｒａｉｎｔｓ，ｔｈｕｓｔｈｅｑｕａｄｒａｔｉｃｐｒｏｇｒａｍｍｉｎｇｉｓｃｏｎｖｅｒｔｅｄｉｎｔｏｔｈｅｓｏｌｕｔｉｏｎｏｆｌｉｎｅａｒｅｑｕａｔｉｏｎｓ；ｉｎａｄｄｉｔｉｏｎ，ｔｈｅｓｅｌｅｃｔｉｏｎｏｆ
中图分类号：ＴＰ１３
多变量控制系统
主元分析
关联矩阵
性能指标
性能评价
文献标志码：Ａ
Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｅｖａｌｕａｔｅａｃｃｕｒａｔｅｌｙｔｈｅｐｅｆｏｒｒｍａｎｃｅｏｆｍｕｌｔｉ — ｖａｉａｒｂｌｅｃｏｎｔｒｏｌｓｙｓｔｅｍａｎｄｓｉｍｐｌｉｆｙｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌｃｏｍｐｌｅｘｉｔｙｏｆｔｈｅ
簦宏云芪
（辽宁石油化工大学信息与控制工程学院，辽宁抚顺成利１１３ｏ Nhomakorabea １）
摘
要：为了准确地评价多变量控制系统的性能，并简化其评价过程的计算复杂度，提出了基于主元分析（ＰＣＡ）与最小二乘支持向