基于LS-SVM非線(xiàn)性?xún)饶？刂圃诤缚p跟蹤中的運用

焊接過(guò)程中，由于工件的加工誤差、熱變形、定位誤差等各種因素的影響，經(jīng)常使焊槍偏離焊縫中心，導致焊接質(zhì)量下降。為保證焊接的可靠性，必須實(shí)時(shí)檢測焊縫的位置，使焊槍始終對準焊縫中心，進(jìn)行焊縫的自動(dòng)跟蹤。由于焊接是一個(gè)非常復雜的過(guò)程，各種時(shí)變、非線(xiàn)性、多耦合的影響因素很多，很難甚至不可能建立跟蹤過(guò)程的精確數學(xué)模型。即使采用經(jīng)典控制理論和現代控制理論方法，系統的性能也不能令人滿(mǎn)意。
內?？刂凭哂姓{節性能好、魯棒性強以及能消除不可測干擾的影響等特點(diǎn)，但內?？刂频姆€定性與控制效果取決于模型與被控過(guò)程的匹配情況[1-2]。通過(guò)樣本數據建立系統固定的逆模型，與系統串聯(lián)成精確的偽線(xiàn)性系統，對偽線(xiàn)性系統采用魯棒性強的內?？刂?，對非線(xiàn)性系統具有較好的控制效果。
　LS-SVM是基于SVM的一種改進(jìn)算法[3-5]，它是SVM在二次損失函數下的一種形式，用二次損失函數取代SVM中的不敏感損失函數，通過(guò)構造損失函數將原SVM中算法的二次尋優(yōu)變?yōu)榍蠼饩€(xiàn)性方程，簡(jiǎn)化了計算的復雜性。
　本文將LS-SVM用于系統的逆建模，提出了一種新的用于水下機器人焊接焊縫跟蹤的基于LS-SVM非線(xiàn)性?xún)饶？刂扑惴?，?shí)現了快速響應和平滑過(guò)渡。

zF₁(z^-1)，確保內?？刂破鱃c(z^-1)正則。F(z-1)被選為常矩陣，F(z^-1)=1。

　仿真結果如圖3所示，基于LS-SVM非線(xiàn)性?xún)饶？刂破鲗υ肼暤目垢蓴_能力較好。

　由仿真結果可以看出本文所提出的方法發(fā)生常值攝動(dòng)和受到常值的強干擾的情況下，均有很好的跟蹤效果。
　針對機器人焊縫跟蹤系統的典型非線(xiàn)性系統，提出了一種新的控制基于LS-SVM非線(xiàn)性?xún)饶？刂扑惴?。仿真結果表明，該方法控制精度高、速度快、魯棒性好，控制器能很好地實(shí)現焊縫跟蹤。本文所提方法針對一般的非線(xiàn)性系統，且物理概念清晰，適用面廣，便于工程應用。
參考文獻
[1] 周涌，陳慶偉，胡維禮，內?？刂蒲芯康男掳l(fā)展[J].控制理論與應用，2004，21(3)：475-482.
[2] 趙噯.論兩種改進(jìn)內?？刂葡到y的等價(jià)性[J].控制與決策，2007，22(10)：1170-1176.
[3] SUYKENS J A K， VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing letters. 1999，9(3)：293-300.
[4] SUYKENS J A K， VANDEWALLE J. Multiclass least squares support vector machines[C]. IJCNN’99 International Joint Conference on Neural Networks. Washington DC. 1999.
[5] CORTES C， VAPNIK V. Support vector networks[J]. Machine Learning， 1995，20：273-297.