×
张国山;王世伟;王一鸣;刘万全

部分未知仿射非线性系统的LS-SVM近似解。 （英语） Zbl 1274.65023号

J.工业管理。最佳方案。 10，第2期，621-636（2014）.
摘要：通过使用最小二乘支持向量机（LS-SVMs），我们发展了一种数值方法来寻找具有部分未知函数的仿射非线性系统的近似解。该方法可以获得非线性微分方程的连续和微分近似解，也可以通过一组测量数据点识别未知的非线性部分。技术上，我们首先将仿射非线性系统的已知部分映射到高维特征空间中，并导出近似解的形式。然后利用LS-SVM的核技巧将原始问题表示为近似问题。此外，已知部分的近似可以用系数矩阵作为耦合平方矩阵的线性方程组来表示，未知部分可以通过其与已知部分的关系和仿射非线性系统的近似解来识别。最后，给出了不同系统的几个例子来说明所提方法的有效性。

引用于三文件

MSC公司：

65日第15天 函数逼近算法
65C20个 概率模型，概率统计中的通用数值方法
65K10码 数值优化和变分技术

关键词：

最小二乘支持向量机（LS-SVM）;仿射非线性系统;近似解;测量数据点;耦合平方矩阵
PDF格式BibTeX公司 XML格式引用
\textit{G.Zhang}等人，J.Ind.Manag。最佳方案。10，第2号，621--636（2014；Zbl 1274.65023）
全文： 内政部

参考文献：

[1] A.Akyyuz-Dascioglu，《Chebyshev级数解高阶非线性常微分方程》，应用数学与计算，2175658（2011）·Zbl 1209.65068号 ·doi:10.1016/j.amc.2010.12.044
[2] S.J.An，最小二乘支持向量机的快速精确交叉验证，模式识别，402154（2007）·Zbl 1115.68125号
[3] T.Falck，《使用LS-SVM识别Wiener-Hammerstein系统》，第15届IFAC系统识别研讨会（2009年）
[4] Z.Guan，《数值分析基础（中文）》，2010年第2版
[5] A.Isidori，《非线性控制系统：导论》，第三版（1995）·Zbl 0569.93034号
[6] D.R.Kincaid，《数值分析：科学计算的数学》，第3版（2002）·Zbl 0877.65002号
[7] I.E.Lagaris，解常微分方程和偏微分方程的人工神经网络，IEEE神经网络汇刊，9，987（1998）·doi:10.1109/72.7712178
[8] H.Lee，解微分方程的神经算法，计算物理杂志，91，110（1990）·Zbl 0717.65062号 ·doi:10.1016/0021-9991（90）90007-N
[9] K.S.McFall，求解精确满足任意边界条件的边值问题的人工神经网络方法，IEEE神经网络汇刊，20，1221（2009）·doi:10.1109/TNN.2009.2020735
[10] S.Mehrkanoon，使用最小二乘支持向量机求解常微分方程的近似解，IEEE Trans。神经网络和学习系统，231356（2012）·doi:10.1109/TNNLS.2012.2202126
[11] M.Popescu，关于仿射非线性系统的最小二次函数控制·Zbl 1115.49302号 ·doi:10.1016/j.na.2003.11.009
[12] J.I.Ramos，常微分方程奇异初值问题的线性化技术，应用数学与计算，161，525（2005）·Zbl 1061.65061号 ·doi:10.1016/j.amc.2003.12.047
[13] P.Ramuhalli，解微分方程的有限元神经网络，IEEE神经网络汇刊，16，1381（2005）·doi:10.1109/TNN.2005.857945
[14] J.A.K.Suykens，最小二乘支持向量机，第1版（2002）·Zbl 1017.93004号
[15] J.A.K.Suykens，最小二乘支持向量机最优控制，神经网络，14，23（2001）·doi:10.1016/S0893-6080（00）00077-0
[16] I.G.Tsoulos，用构造的神经网络求解微分方程，神经计算，72，2385（2009）·doi:10.1016/j.neucom.2008.12.004
[17] V.Vapnik，《统计学习理论的本质》，第1版·Zbl 0799.60032号
[18] A.M.Wazwaz，解二阶常微分方程初值问题的新方法，应用数学与计算，128，45（2002）·Zbl 1030.34004号 ·doi:10.1016/S0096-3003（01）00021-2
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。