针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析(kernel principal compo-nent analysis,KPCA)与最小二乘支持向量机(least squares support vector machine,LSSVM)结合对随机时延进行预测,KPCA对输入随机时延序列降...针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析(kernel principal compo-nent analysis,KPCA)与最小二乘支持向量机(least squares support vector machine,LSSVM)结合对随机时延进行预测,KPCA对输入随机时延序列降维,消除重复性与噪声,减少LSSVM的运算量,降维后的时延序列通过LSSVM算法预测时延值。仿真结果表明,基于KPCA与LSSVM的时延预测方法的预测精度高于其他的预测方法。展开更多
文摘针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析(kernel principal compo-nent analysis,KPCA)与最小二乘支持向量机(least squares support vector machine,LSSVM)结合对随机时延进行预测,KPCA对输入随机时延序列降维,消除重复性与噪声,减少LSSVM的运算量,降维后的时延序列通过LSSVM算法预测时延值。仿真结果表明,基于KPCA与LSSVM的时延预测方法的预测精度高于其他的预测方法。
