支持向量机是一种基于统计学习理论的新型机器学习方法,它可以被广泛地用于非线性系统建模。它是统计学习理论中结构风险最小化思想的体现,基本思想是通过非线性变换将输入空间映射到一个高维空间,然后在这个高维空间中求取最优分类超平面或进行函数拟合。支持向量机在解决小样本、非线性及高维分类识别问题和函数拟合等问题中有着独特的优势。 迟滞现象广泛地存在于执行器和传感器中。迟滞现象的存在会极大地影响系统的稳定性和控制的精确性。我们提出了使用支持向量机作为迟滞非线性建模和控制工具的具体算法,来分析和精确控制迟滞系统。 在本篇文章中,我们列举了多种迟滞系统建模方法,从中选择了Preisach模型作为仿真对象。我们提出了一种基于支持向量机的迟滞模型建模方法并对其算法进行了改进。在Matlab中对改进的迟滞模型建模算法进行了仿真验证,并同BP神经网络算法的建模结果进行了对比。 我们提出了使用支持向量机对迟滞系统进行逆模型建模的方法,并对迟滞系统逆模型进行了建模。最后我们提供了Matlab下分别使用传统PID控制器控制和使用支持向量机逆模型控制器控制的迟滞系统的仿真对比分析,证明了该算法的有效性。