非線性問題近似方法(非線性互補問題的算法)

1.非線性互補問題的算法有哪些

1 無約束非線性最優(yōu)化問題常用算法：

梯度法（最速下降法）、共軛梯度法、變尺度法和步長加速法.其中，前三個要用到函數(shù)的一階導數(shù)或二階導數(shù)，適用于函數(shù)表達式導數(shù)存在且求導簡單的情況，而步長加速法則相反，適用于函數(shù)表達示復雜，甚至無解析表達式，或?qū)?shù)不存在情況.

2 約束非線性最優(yōu)化問題常用算法：

按照是否化成無約束問題可分為 可行方向法、制約函數(shù)法（外點法和內(nèi)點法），其中內(nèi)點法適用于目標函數(shù)在可行域外性質(zhì)復雜情況，外點法則相反.后者根據(jù)罰函數(shù)或障礙函數(shù)的構造不同，又有不同的變形.

2.非線性系統(tǒng)理論的主要分析方法

對于非線性系統(tǒng)尚未建立起象線性系統(tǒng)的分析那樣成熟和系統(tǒng)的一套方法，在應用上比較有效的主要方法有四種。

等效線性化方法 主要用于分析非線性程度較低的非線性系統(tǒng)。其實質(zhì)是把非線性問題近似地加以線性化，然后去解決已線性化的問題。描述函數(shù)法、分段線性化法、小參數(shù)法等都屬于這種方法。

直接分析方法 建立在直接處理系統(tǒng)的實際的或簡化后的非線性微分方程基礎上的分析方法，不管非線性程度的高低都可適用。相平面法、李雅普諾夫第二方法（見李雅普諾夫穩(wěn)定性理論）等都屬于這種方法。

雙線性系統(tǒng)理論 對于雙線性系統(tǒng)這一特殊類型非線性系統(tǒng)建立的分析和綜合方法。

流形上的控制理論 這一理論的發(fā)展始于70年代初期，它是以微分幾何為主要數(shù)學工具的一種分析方法。流形上的控制理論為非線性系統(tǒng)的研究提供了一條新的途徑，可用以研究非線性系統(tǒng)的某些全局和局部性質(zhì)。

3.非線性方程組能用什么方法求解,比如牛頓法,還有什么其他方法

非線性方程，就是因變量與自變量之間的關系不是線性的關系，這類方程很多，例如平方關系、對數(shù)關系、指數(shù)關系、三角函數(shù)關系等等。求解此類方程往往很難得到精確解，經(jīng)常需要求近似解問題。相應的求近似解的方法也逐漸得到大家的重視。

這些方程可分為兩類，一種是多項式方程，一種是非多項式方程。如何求解第一類多項式方程，現(xiàn)在已經(jīng)有了比較成熟的理論和方法?，F(xiàn)在比較常用的一種數(shù)值方法是迭代法，他能夠通過迭代次數(shù)的增加，而越來越接近方程的解。至于如何求解第二類非多項式方程，是現(xiàn)在數(shù)學領域中的一個重點研究方向。一般來說，求解此類方程是采用隨機搜索的辦法。

4.如何將非線性系統(tǒng)進行近似線性化

非線性系統(tǒng)的分析遠比線性系統(tǒng)為復雜，缺乏能統(tǒng)一處理的有效數(shù)學工具，因此非線性控制系統(tǒng)至今尚未能象線性控制系統(tǒng)那樣建立起一套完善的理論體系和設計方法。在許多工程應用中，由于難以求解出系統(tǒng)的精確輸出過程，通常只限于考慮：①系統(tǒng)是否穩(wěn)定；②系統(tǒng)是否產(chǎn)生自激振蕩及其振幅和頻率的測算方法；③如何限制自激振蕩的幅值以至消除它，例如一個頻率是ω的自激振蕩可被另一個頻率是ω1的振蕩抑制下去，這種異步抑制現(xiàn)象已被用來抑制某些重型設備的伺服系統(tǒng)中由于齒隙引起的自振蕩。

在某些工程問題中，非線性特性還常被用來改善控制系統(tǒng)的品質(zhì)。例如將死區(qū)特性環(huán)節(jié)和微分環(huán)節(jié)（見控制系統(tǒng)的典型環(huán)節(jié)）同時加到某個二階系統(tǒng)的反饋回路中去，就可以使系統(tǒng)的控制既快速又平穩(wěn)。又如，可以利用繼電特性來實現(xiàn)最速控制系統(tǒng)。

5.常用非線性校正方法有哪些

現(xiàn) 代控制系統(tǒng)對傳感器的準確度、穩(wěn)定性和工作條件等方面提出了很高的要求。

然而，從嚴格意義上來說，目前絕大多數(shù)傳感器特性都不理想，其輸入輸出特性大多為 非線性關系。為此，人們通過一些方法來進行非線性補償和修正。

特別是近年來，隨著神經(jīng)網(wǎng)絡的發(fā)展，有不少學者提出了基于神經(jīng)網(wǎng)絡進行非線性傳感特性校正的 方法。 這些方法一般是用一個多層的前饋神經(jīng)網(wǎng)絡去映射傳感器特性曲線的反函數(shù)作為校正環(huán)節(jié)，算法相對簡單，實現(xiàn)容易。

但是通過分析神經(jīng)網(wǎng)絡的基本工作原理，筆者認為該方法依然存在一些不足[1、6]:1）在訓練過程中神經(jīng)網(wǎng)絡極容易陷入局部最小，而不能得到全局最?。?）神經(jīng)網(wǎng)絡過分依賴訓練數(shù)據(jù)的質(zhì)量和數(shù)量，但大多數(shù)情況下樣本數(shù)據(jù)十分有限，由于噪聲影響，存在數(shù)據(jù)不一致情況，對神經(jīng)網(wǎng)絡的訓練結(jié)果影響較大；3）輸入數(shù)據(jù)往往是高維的，而訓練結(jié)果僅是輸入空間的稀疏分布，所以大量的高維數(shù)據(jù)必然會大大增加算法的訓練時間。 支持向量機SVM[4,5](Support Vector Machine)是基于統(tǒng)計學習理論的一種新的學習方法，最早由Vapnik教授及其合作者于上世紀90年 代中期提出。

由于其優(yōu)良特性，最近引起了許多研究者的興趣。 支持向量機主要用于模式識別，目前在該方面成功的范例較多；與模式識別相比，支持向量機用于函 數(shù)擬合的成功應用較少。

和神經(jīng)網(wǎng)絡相比，支持向量機是基于統(tǒng)計學習理論的小樣本學習方法，采用結(jié)構風險最小化原則，具有很好的泛化性能；而神經(jīng)網(wǎng)絡是基于 大樣本的學習方法，采用經(jīng)驗風險最小化原則。 將支持向量機函數(shù)擬合技術應用于傳感器非線性特性校正的研究剛起步，國內(nèi)尚無先例。

如何在傳感器非線性特性校正領域充分發(fā)揮支持向量機函數(shù)擬合的技術優(yōu)勢，解決神經(jīng)網(wǎng)絡方法中的缺陷是一個值得研究的問題。? 1支持向量機擬合基本理論 1。

1線性函數(shù)擬合問題 與支持向量機的研究最初是針對模式識別中的線性可分問題[5]相似，先分析線性樣本點的線性函數(shù)擬合問題，擬合函數(shù)以線性函數(shù)的特性出現(xiàn)，可用形式=ωTx+b表示。假設所有訓練數(shù)據(jù){xi,yi}能在精度ε下無誤差地用線性函數(shù)擬合，即 統(tǒng)計學理論指出，在這一優(yōu)化目標是最小化ωTω/2時可取得較好的推廣能力。

考慮到實際應用中允許擬合誤差的情況，則支持向量機優(yōu)化目標可以表示為[3] ?? 式中c為平衡因子，為懲罰因子，懲罰函數(shù)L（·）通常采用如下的離散定義形式（如圖1所示） n，進一步采用對偶優(yōu)化方法，最大化目標函數(shù) 小部分不為0，它們對應在不靈敏區(qū)邊界上或外 式中，偏移量b可由支持向量（xi,yi）及精度ε求得，SVs表示支持向量集。 1。

2非線性函數(shù)擬合問題 對于非線性函數(shù)擬合基本思想是：可以通過非線性變換x→φ（x）將原擬合問題映射到某個高維特征空間中，然后在該空間中進行線性擬合，即 在支持向量機中，引入核函數(shù)（Kernel function）來簡化非線性逼近。 在高維特征空間中，線性問題中的內(nèi)積運算可用核函數(shù)來代替。

核函數(shù)滿足k(x,x′)=〈φ（x），φ（x′）〉，這樣目標函數(shù)式（4）就變成了式（6）所示的形式：? 2傳感器非線性誤差校正原理[6] 大多數(shù)傳感系統(tǒng)都可用y=f(x),x∈（ζα，ζb）表示，其中y表示傳感系統(tǒng)的輸出，x表示傳感系統(tǒng)的輸入，ζα，ζb為輸入信號的范圍。 y信號可經(jīng)過電子設備進行測量，目的是根據(jù)測得的y信號求得未知的變量x，即表示為x=y-1(y)。

在實際應用過程中，絕大多數(shù)傳感器傳遞函數(shù)為非線性函數(shù)。 為了消除或補償傳感系統(tǒng)的非線性特性，可使其輸出y通過一個補償環(huán)節(jié)。

該模型的特性函數(shù)為u=g(y)，其中u為非線性補償后的輸出，它與輸入信號x呈線性關系。很明顯函數(shù)g（*)也是一個非線性函數(shù)，并使得補償后的傳感器具有理想特性。

在實際應用中，非線性補償函數(shù)g（*)的表達式難以準確求出，但可以通過建模來實現(xiàn)，補償模型的建立就成了校正傳感器非線性特性的關鍵。 筆者根據(jù)支持向量機的函數(shù)擬合能力，提出了基于支持向量機的傳感器非線性特性校正方法。

? 3仿真與應用研究 該文使用支持向量機對兩個非線性傳感系統(tǒng)的非線性誤差進行校正，取得了較滿意的效果。 3。

1一維傳感器非線性校正 用實驗法得出一組訓練樣本（見表1），在表1中x表示傳感系統(tǒng)的輸入量，其值由精度較高的設備產(chǎn)生，在這里可作為標準量，y值為傳感系統(tǒng)的輸出量。 設計支持向量機對該傳感系統(tǒng)進行非線性校正，傳感器輸出信號y經(jīng)過該SVM的處理相當于進行了一個逆?zhèn)鞲心Ｐ?，支持向量機的輸出u作為非線性補償后的輸出，它與輸入信號x的誤差應更小。

由此可得到一組訓練樣本（yi,xi），其中yi表示支持向量機的輸入，xi為擬合的目標。 設計支持向量機時，精度ε=0。

02，核函數(shù)選用多項式k(xi,x)=(xi·x+1)6，傳感器非線性校正曲線如圖3所示，由此可見用該方法提高了傳感器的精度。 3。

2二維圖像傳感器非線性校正 有二維圖像傳感器，其校正前的輸出如圖4a所示，而實際像點應在柵格線的交叉點。從圖4a不難看出，該傳感器存在著嚴重的非線性，且這種非線性不能以解析式表達。

如式（1）所示，文中介紹的支持向量機每個學習樣本的輸入數(shù)據(jù)xi是一個多維向量，樣本輸出yi是一個數(shù)而非向量。 待校正的。