[发明专利]一种基于改进支持向量回归的逆模型PID复合控制方法

权利要求书

1.一种基于改进支持向量回归的逆模型PID复合控制方法，其特征在于：包括以下步骤：

101、初始化设置种群相关参数，生成训练数据集、测试数据集，并对训练数据集及测试数据集进行归一化处理；

102、利用多Agent粒子群算法/MAPSO对支持向量回归机SVR相关参数进行寻优，由适应度函数及粒子位置、速度更新公式对支持向量回归机SVR参数寻优；

103、判断是否满足终止条件，若满足则寻优结束从而确定最优粒子即MAPSO-SVR的参数寻优结果，跳转至步骤104；否则返回步骤102；

104、确定逆模型拟合因子，建立MAPSO-SVR逆模型；

105、设定参考输入函数y_rout(k)及之前时刻的u值,并根据y_rout(k)、逆模型及对象模型，计算出经逆模型预测出来的值uctr(k)；

106、由已知的y_rout(k)、y_out(k)值，根据误差的定义及增量式PID原理△u(k)＝k_p*x1+k_d*x2+k_i*x3，其中k_p表示比例控制系数，k_d表示微分控制系数，k_i表示积分控制系数，x1＝e(k)-e(k-1),x2＝e(k)-2*e(k-1)+e(k-2),x3＝e(k)，并根据步骤105中的uctr(k)，根据公式u(k)＝uctr(k)+△u(k)求得当前时刻u(k)值；

107、根据步骤106及对象模型计算出下一时刻实际输出值y_out(k+1)；

108、如果k的取值还没超过采样时间，则转入步骤105，直到k值达到采样时间设定值结束。

2.根据权利要求1所述的基于改进支持向量回归的逆模型PID复合控制方法，其特征在于：步骤101中的初始化种群相关参数包括定义解空间、环境规模、最大允许迭代次数、惯性权值范围、学习因子。

3.根据权利要求1所述的基于改进支持向量回归的逆模型PID复合控制方法，其特征在于：步骤102中的粒子适应度函数F为：

F=1NΣi=1N(yi-yi,)]]>

其中y_i,y,_i分别代表SVR训练输出值和期望输出值，N为训练样本数。