非线性系统控制问题依旧是目前控制界的研究难点与热点,非常重要的一个因素就是难以获得准确的辨识模型。基于结构风险最小化原则的支持向量机(SVM)是处理非线性分类和回归问题的有力工具,在精度和泛化能力方面都有着优异的表现。以此为基础发展出了最小二乘支持向量机(LSSVM),将支持向量机的不等式约束转化成等式约束,明显简化了计算。在控制策略方面,预测控制一直是非常有效的方式,预测函数控制因其可以规律化控制输入并简化计算成为了主流预测控制方法之一。本文针对最小二乘支持向量机和预测函数控制,做了深入研究,对这两种理论做了非常有意义的改进并将二者结合解决非线性控制问题。1.最小二乘支持向量机将支持向量机中的不等式约束转化成等式约束后,失去了支持向量的稀疏性,所有训练样本都将成为支持向量。为了减少支持向量的数量,本文提出基于拉格朗日乘子剪切的全样本逼近策略,剪切对建模影响较小的支持向量并利用剩余向量使用逼近策略重新构建辨识模型,既减少支持向量数量,又兼顾到被剪切样本的信息建模效果理想。2.最小二乘支持向量机建模过程中涉及到超参数选择问题,这些参数选择好坏对建模效果有明显影响。对此本文提出基于交替混沌粒子群算法的搜索技术,利用了粒子群算法的计算简单性和混沌算法的遍历性,使得整个搜索过程方便快捷,又能避免传统搜索方法易陷入局部最优的问题。3.通过最小二乘支持向量机获得系统辨识模型,采用预测函数控制方法实现非线性系统控制。由于辨识模型是非线性和解析的,本文提出通过线性近似得到工作点附近的系统模型,以此为预测模型,对控制输入采用新型增量型预测函数控制,获得规律化的控制输入信息,可以实现无偏控制和快速响应。