[发明专利]基于支持向量机的系统辨识方法

说明书

一、技术领域

本发明属于智能控制与建模领域，本发明涉及支持向量机、动态辨识等方法。

二、背景技术

用传统的机理建模方法建立直升机的仿真模型是可行的，但是这种方法需要大量的空气动力学知识。神经网络只有良好的非线性映射能力，因此可以用它来建立直升机的仿真模型，尽管神经网络有很多优点，但在建模过程中存在难以确定网络结构、维数灾、收敛速度慢、局部极小值、过拟合等问题。为解决这些问题，使用支持向量机代替神经网络，建立直升机的动态仿真模型。

三、专利内容：

1、专利目的

为避免复杂的空气动力学知识，建立高精度的直升机仿真模型，采用支持向量机来建立直升机的智能化的动态仿真模型。

2、技术解决方案

把直升机看做一个整体，则有四个控制变量，分别是横向周期变距、纵向周期变距、尾桨距、总距。则输出变量可以选为九个输出变量中的任意一个，即飞行速度在体轴系中三个方向上的分量、直升机角速度的三分量、直升机的俯仰角、侧倾角和偏航角九个变量中的一个。利用这些输入、输出变量来建立直升机的动态仿真模型。

3、技术效果及优点

这种基于支持向量机的动态辨识方法，避免了机理建模所需的空气动力学知识，大大降低了仿真模型的复杂度。与神经网络模型相比，支持向量机模型具有结构简单、运算速度快(提高一个数量级)、泛化能力高等很多优越的性能在直升机的智能化建模方面，支持向量机具有广阔的应用前景。

四、具体实施方式

完整的直升机飞行动力学模型主要包括：直升机的多体动力学、旋翼挥舞和摆振运动、旋翼尾迹、气动干扰效应等环节。如果用支持向量机建立了每个组成部分的仿真模型，那么就可以尝试把这些仿真模型合成一个整体，来建立直升机完整的仿真模型。考虑这种模型的复杂程度和计算量，目前用支持向量机还难以建立完整的直升机仿真模型。针对建立直升机仿真模型的目的.从美国军方颁布的“军用旋翼飞行器驾驶品质要求”(ADS-33D标准)中，选取一种在垂直平面内做鱼跃机动的飞行状态建立直升机的仿真模型。

把动态系统输入输出的一步或多步延迟，连同动态系统的输入一起作为支持向量机的输入，以使构造的支持向量机辨识模型能反映系统的动态特性。另外，用于支持向量机的核函数有多种，如Gaussian核和多项式核。小波函数可以以任意精度逼近任意函数，因此可以利用小波核构造小波支持向最机。满足小波容许性条件的一个函数是Marr小波函数：

ψ(t)=(1-t2)e-t2/2---(1)]]>

由Marr小波构造一维平移不变小波核：