基于BP神经网络的非线性预测控制

将BP神经网络技术应用于预测控制,并对其控制算法进行研究。采用一个BP神经网络来实现对系统的辨识和多步预测,并将一种新型的非线性混沌映射引入到神经网络的参数学习算法中实现其权值调节,以逐步建立被控对象合理的多步预测模型,并用网络的多步预测输出序列与设定值序列的偏差修改控制律。仿真结果表明了该算法的有效性。     

基于广义预测的非线性神经网络控制器

广义预测控制(GPC)是针对线性系统提出的一种控制方法,而神经网络具有对一般非线性函数的逼近能力。首先介绍基于GPC的神经网络控制系统的组成,进而提出采用两层线性神经网络构造预测器,采用E lamn型动态递归网络构造控制器,从而实现对非线性对象的快速控制,仿真结果说明了该算法的有效性。     

基于Tchebycheff正交神经网络的非线性多步预测控制

针对多变量非线性系统 ,提出了一种基于 Tchebycheff正交神经网络的多步预测控制方案 ,采用 Tchebycheff正交神经网络离线建立预测模型 ,并以偏差补偿和模型修正相结合的方式对预测模型进行误差补偿 ,经在线校正用于预测控制。同时对性能指标中的偏差项和控制项加权 ,进一步改善预测控制性能。仿真结果表明了控制算法的有效性     

基于神经网络的非线性预测自整定PID控制

提出在利用前馈神经网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合自整定PID方法，实现非线性系统控制，神经网络在线辨识时采用学习速度较快的扩展Kalman滤波方法，仿真实验表明了该方法的有效性．     

基于模糊神经网络的非线性系统预测函数控制研究

针对预测函数控制难以很好地实现非线性系统控制的问题,将模糊神经网络与预测函数控制相结合,设计一种基于模糊神经网络的非线性系统的预测函数控制器。用模糊神经网络辨识非线性系统的模型,辨识结果送到预测函数控制中,从而得到预测模型,最终得到最优的控制量。通过Matlab计算机仿真,可以看出此控制器对于非线性系统具有良好的控制效果和鲁棒性。     

基于神经网络的广义预测控制综述

概括叙述了广义预测控制的发展现状,对具有误差校正的预测控制方法进行了概括,介绍了与神经网络相结合的非线性系统的预测控制方法,并在此基础上讨论了神经网络非线性预测控制中存在的问题及进一步研究的方向。     

基于神经网络的非线性预测函数控制

给出了一种新的神经网络多步预估器结构,建立了CSTR过程的人工神经元网络的动态模型,并在此基础上提出了基于人工神经元网络模型的非线性预测函数控制算法．给出了非线性预测函数控制的具体实施步骤．计算机仿真表明。人工神经元网络模型的精度已满足预测控制的需要。该控制系统比常规PID控制器具有更好的控制效果．     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法，即改变神经网络输入样本区间，利用网络输出期望值与输出实际值之间的误差平方和产生的突变，可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合，可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制。仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快，鲁棒性能好等优点。     

基于Hammerstein模型的非线性预测函数控制

提出了只需线性动态优化的基于Hammerstein模型的非线性预测函数控制策略，其中非线性控制器由一个线性的预测函数控制器Hammerstein模型的非线性部分的反函数组成，实现了线性控制器的输出uPFC与闭环系统内部模型线性部分的输入完全一致，使模型的输出ym只依赖于uPFC，通过这种方式实现了非线性预测函数控制策略只需线性优化而不需要非线性滚动优化。过程的预测输出只需应用模型参数直接计算得到而不需要求解丢番图（Diophantine）方程。pH中和过程的计算机仿真结果表明，该控制算法比PID控制具有更好的控制品质。     

基于预测稳态差的神经网络预测控制

提出了一种基于预测稳态差的神经网络预测控制 ,稳态预测模型采用径向基函数网 ( RBF网 ) ,优化采用一维直接方法——黄金分割法 .为了改善其动态响应性能 ,又加入一个 RBF网作为动态预测模型 .通过对一个控制 p H值的非线性过程的仿真研究 ,表明该算法具有良好的稳定性和动态响应特性 .     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能，提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中，每个粒子的更新受粒子个体极值和局部极值的影响，为了提高其全局收敛性，采用多粒子策略，使每个粒子的更新受更多其他粒子的影响；为提高收敛速度，采用白适应策略，对参数c0进行白适应调整，使c0随着迭代次数的增加而逐渐减小，这样，在PSO算法的搜索过程中，随着迭代次数的增加，搜索区域会越来越小，从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化，在有限时域内对控制序列进行寻列，给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明，基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于预测稳态差的神经网络预测控制

提出了一种基于预测稳态差的神经网络预测控制方法,稳态预测模型采用径向基函数网（ＲＢＦ网）,优化采用一维直接方法－－黄金分割法。为了改善其动态响应性能,又加入一个ＲＢＦ网作为动态预测模型。通过对一个控制ｐＨ值的非线性过程的仿真研究,表明该算法具有良好的稳定性和动态响应特性。     

一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。     

基于自校正神经网络的预测控制系统设计

为改善数控线切割加工过程伺服控制性能,提出了一种基于自校正神经网络预测控制系统总体结构,建立了用于离线训练控制器的对象模型以及可以进行多步前向预测的预测模型,设计了基于预测模型提供的梯度信息进行学习训练的神经网络控制器.以数控线切割机床加工过程控制为研究对象,对该系统进行了计算机仿真并进行了结果分析,结果表明本文所提出的基于自校正神经网络预测控制系统具有较好的控制效果.     

Neuro-fuzzy predictive control for nonlinear application

Aiming at the unsatisfactory dynamic performances of conventional model predictive control （MPC） in a highly nonlinear process, a scheme employed the fuzzy neural network to realize the nonlinear process is proposed. The neuro-fuzzy predictor has the capability of achieving high predictive accuracy due to its nonlinear mapping and interpolation features, and adaptively updating network parameters by a learning procedure to reduce the model errors caused by changes of the process under control. To cope with the difficult problem of nonlinear optimization, Pepanaqi method was applied to search the optimal or suboptimal solution. Comparisons were made among the objective function values of alternatives in initial space. The search was then confined to shrink the smaller region according to results of comparisons. The convergent point was finally approached to be considered as the optimal or suboptimal solution. Experimental results of the neuro-fuzzy predictive control for drier application reveal that the proposed control scheme has less tracking errors and can smooth control actions, which is applicable to changes of drying condition.     

Support vector machine based nonlinear model multi-step-ahead optimizing predictive control

1INTRODUCTION Modelpredictivecontrol(MPC)isaclassof controlalgorithmsinwhichadynamicprocessmodelisusedtopredictandoptimizeprocessper formance[1].Becausemanyindustrialprocessesare intrinsicallynonlinear,especiallyintwocases[2]:strongnonlinearregulatorcontrolproblemsand servocontrolproblemswithfrequentchangesof operatingpoints.Nonlinearmodelpredictivecon trol(NMPC)techniquesshouldbedevelopedto overcometheeffectofthehardnonlinear.Re cently,someNMPCalgorithmshavebeenputfor ward,whicharema…     

基于遗传算法的广义T-S模糊模型预测函数控制

提出了一种基于遗传算法的广义T-S模糊模型预测函数控制算法。首先利用减法聚类确定隶属度函数中心和模糊规则数,然后利用遗传算法同时对广义T-S模型的其他前提参数和结论参数进行辨识,并进行全局寻优。最后将本文提出的算法应用在具有强非线性特性的pH中和过程中。仿真结果表明:本文算法具有较小的超调和较好的跟踪能力。