微分改进RBF网络线性预测控制算法的研究

针对现有非线性系统辨识超调较大和预测控制计算量繁琐等问题,提出了改进的RBF神经网络线性预测控制算法.该方法通过在传统性能指标函数中增加误差微分项,以优化跟踪效果;利用辨识模型作为预测模型,对输出设定值进行线性逼近的反向优化,并实时给出优化控制量.该方法简化了传统预测控制算法,在加快寻优速度的同时,有效地抑制了超调.通过非线性系统仿真实例,验证了该方法的可行性和有效性.     

基于小波神经网络的非线性系统预测控制研究

提出了一种基于小波基函数神经网络的未知非线性系统的一步超前预测控制算法。该方法利用小波网络学习这个非线性系统,并且应用小波神经网络模型作为系统的预测模型,控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得,通过对一非线性系统的仿真,表明了该方法的有效性。     

神经网络在软件可靠性预测中的应用研究

关于应用软件保证在应用中安全可靠,应研究软件可靠性预测问题.针对软件可靠性预测系统是一个多因素的、非线性的复杂系统,传统设计高精度的准确数学模型预测方法是相当困难,RBF神经网络是一种非线性预测能力相当强的预测方法.为了提高软件可靠性预测的准确率,提出一种粒子群优化RBF神经网络的软件可靠性预测模型.模型首先将软件可靠性因子作为RBF神经网络的输入,软件可靠性准确率作为RBF神经网络的输出,然后将RBF神经网络的参数初始为粒子群中的粒子,软件可靠性准确率作为粒子优化的目标函数,通过粒子群之间的协作来获得RBF神经网络最优参数,用最优参数对RBF神经网络对软件可靠性进行预测.仿真结果表明,与传统软件可靠性预测方法相比,粒子群优化RBF神经网络对软件可靠性预测的精度更高,收敛速度更快,同时解决了传统RBF神经网络参数寻优难题,更加适合于软件可靠性预测.     

一类双线性系统的广义预测控制研究

双线性模型预测控制的研究表明,采用一般双线性模型的预测控制将涉及非线性优化问题,在线处理相当困难,而采用线性近似模型的预测控制又会带来较大的偏差.针对一类输入一输出双线性系统,提出了一种双线性系统的广义预测控制算法.该算法将基于输入-输出模型双线性系统中的双线性项和线性项合并,建立了一种类似于线性系统的ARIMA模型,并充分利用多步最优预测信息,由递推近似实现多步预测.控制律具有解析形式,避免了一般非线性寻优的复杂计算,并能适用于非最小相位双线性系统.仿真实验表明该算法具有良好的控制效果.     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。     

基于神经网络Smith预估器的预测控制

针对非线性系统时滞问题,给出了一种新型的单神经元Smith预测控制算法.神经网络的预测控制器由不完全微分的单神经元自适应PID控制器和神经网络的Smith预估器组成.预估器对输出进行多步预测,控制器超前动作以消除时滞对系统的影响.不完全微分的单神经元自适应PID控制器通过改进的Hebb学习规则实现其权值调节,通过权系数的在线调整实现自适应控制.仿真实验证明了该方法具有较快的响应速度和较好的响应性能.     

基于Taylor 逼近的非线性系统P ID 型多步预测控制

基于局部递归神经网络对非线性系统进行递归多步向前预测，将系统实际多步向前预测值按泰勒公式在其递归预测值上展开，实现对非线性系统多步预测输出值的二次逼近，减少了预测误差，进而通过对PID型多步预测性能指标函数极小化求取控制量，控制器与广义预测控制器结构相似，其参数通过神经网络在线辨识获得，仿真实验表明了该方法的有效性。     

基于并行支持向量机的多变量非线性模型预测控制

提出一种基于并行支持向量机的多变量系统非线性模型预测控制算法．首先，通过考虑输入、输出间的耦合，建立基于并行支持向量机的多步预测模型；然后，将该模型用于非线性预测控制,提出新的适用于并行预测模型的反馈校正策略，得到最优控制律．连续搅拌槽式反应器（CSTR）的控制仿真结果表明,该算法的性能优于基于并行神经网络的非线性模型预测控制和基于集成模型的非线性模型预测控制．     

电加热炉系统预测函数PID控制算法的研究

由于电加热炉系统具有大时滞、时变性、非线性等特点,提出了一种新型预测函数PID控制算法.该算法将PID控制算法和预测函数控制算法结合起来,通过预测被控对象的未来输出值,得到一个新的优化目标函数,实时优化控制参数,得到控制量的解析解.仿真结果表明,与常规PID控制和预测函数PID串级控制相比,所设计的控制器满足系统对快速性和稳态精度的要求,系统具有较强的抗干扰性和鲁棒性,能够实现对电加热炉系统的有效控制.     

基于多步预测性能指标函数的神经网络逆动态控制方法

针对一些复杂的非线性系统在神经网络逆动态控制方法下控制效果不理想的问题 ,本文提出对被控对象进行直接多步预测 ,利用多步预测性能指标函数对系统实现基于神经网络的逆控制。并将仿真结果与利用递推多步预测方法的结果进行了比较 ,得到直接多步预测控制较递推多步预测更准确的结论。     

制冷站双目标权重自适应非线性预测控制

针对传统制冷站控制系统易产生振荡, 且无法实现系统性能整体优化的问题, 本文提出一种制冷站非线性 预测控制策略, 优化目标函数设计为满足建筑冷量需求的同时, 尽可能提高系统整体能效. 为解决上述两个优化目 标之间的矛盾关系, 本文采用模糊逻辑设计了优化目标权重自适应模块, 实时求取权重因子最优解; 针对非线性系 统在线优化求解困难问题, 本文提出了基于神经网络的非线性滚动优化算法, 采用神经网络作为反馈优化控制器, 并将系统优化目标函数作为在线寻优性能指标, 结合Euler-Lagrange方法和随机梯度下降法对控制器权值和阈值进 行在线寻优, 算法计算量小, 占用存储空间适中, 便于采用低成本的现场控制器实现制冷站预测控制. 仿真实验结果 表明, 本文所提出的预测控制策略与PID控制相比, 在未加入优化目标函数权重自适应模块情况下, 系统平均能效 比提高约32.5%; 进行优化目标函数权重自适应寻优后, 系统平均能效提高约39.43%.     

一种无约束多步递归神经网络预测控制器

本文针对具有强非线性、多工作点特性的控制系统, 提出了一种基于递归BP神经网络的多步预测模型; 通过分析预测模型的内在数学关系, 选择了二次型函数作为预测控制器的目标函数, 并给出了目标函数关于控制序列的雅可比矩阵和赫森矩阵的计算方法; 最后使用Newton-Rhapson算法设计出了滚动优化控制策略, 构建了一个非线性多步预测控制器. 仿真结果表明, 文中提出的多步预测控制器具有较好的控制效果.     

基于神经网络模型的非线性多步预测学习控制器

构造出一种建模网络,通过对它的学习来辨识过程动态,通过对广义预测控制目标函数的在线优化求得控制律.仿真结果验证了该算法的有效性.     

网络控制系统PI预测控制及稳定性分析

将PID反馈原理引入广义预测控制（GPC）思想,把GPC目标性能函数改造成具有PI的结构形式,根据反馈时延导出多步控制序列,通过时延补偿器对前向时延进行补偿,使控制性能在网络环境下得到极大改善。控制器结合了PID控制和预测控制的优点,具有较强的鲁棒性和工程意义。构造Lyapunov函数对闭环系统的稳定性进行分析,并通过仿真验证了该算法的有效性。     

神经网络预测控制局部优化初值确定方法

为解决局部优化算法初值选取不当造成神经网络预测控制性能下降的问题,本文提出了一种动态确定初值的方法.在每次优化时通过逆网络将初值选在输出误差最小点,通过修正目标性能函数中的权重因子来确保初值与当前控制量之间存在极值,并在理论上进行了证明.以BP神经网络预测控制为例,采用牛顿拉夫逊算法实现滚动优化,对所提方法进行了仿真实验,结果表明能够解决初值问题,提高控制系统的可靠性.     

工业串联系统的广义预测控制

针对由一系列环节串联而成的工业对象，提出一种利用过程中间可测变量进行预测和反馈，并能对这些变量的变化率加以限制的预测控制算法。仿真结果表明该算法具有良好的抗干扰性和鲁棒性。     

一类非线性系统的神经网络预测控制

针对一类具有特殊模型的非线性系统本文提出了一种新型神经网络预测控制算法。该算法利用线性系统预测控制技术和神经网络的非线性映射及并行处理能力来求实际控制量，避免了解非线性方程和非线性预测控制所需的在线数值寻优计算，减少了计算量和计算时间。仿真结果表明了该算法的何效性。     

神经网络解耦预测函数控制

结合解耦思想研究多变量系统预测函数控制。通过引入神经网络补偿环节，对多变量系统解耦，在此基础上，对解耦后各子系统进行单变量预测函数控制，以确定各个控制量。同时基于系统脉冲传递函数，得到单变量PFC控制器的显式表达式。仿真表明，该算法有较好的跟踪特性，对解决多变量系统的优化和控制具有一定的适用性。     

基于网络模型的综合多速率采样预测控制器

针对网络控制系统(NCS)中存在的网络延迟和数据丢包问题以及网络控制系统的多采样率特性,将预测控制器和网络延迟补偿器相结合,提出一种基于网络模型的综合多速率采样预测控制器.预测控制器利用多步预测、滚动优化、反馈校正控制策略补偿了传感器-控制器传输延迟,网络延迟补偿器补偿了控制器-执行器传输时延和一些未知网络延迟.仿真试验表明,该算法对网络延迟和数据丢包具有一定的补偿作用,提高了网络资源利用率并且保证闭环网络控制系统渐近稳定.