基于非线性(Wiener)模型自适应预测函数控制

针对一类非线性对象提出了基于Wiener模型的非线性系统自适应预测函数控制方法。利用带遗忘因子的递推最小二乘算法在线辨识得到Wiener模型核参数，根据所得模型参数直接计算得到非线性预测函数控制律，而且使控制律计算容易，适用于具有一定非线性的被控对象，并能适应被控对象的环境变化。     

Wiener型非线性系统的La-RBF组合模型预测控制

针对Wiener型非线性系统,本文提出了一种基于Laguerre函数模型与RBF神经网络模型的组合模型的预测控制策略,研究结果表明该组合模型兼具两者的优点,适用范围广,对系统变时延,变阶次及变非线性都具有良好的控制效构     

辨识Wiener模型的一种新方法

本文提出了一种辨识Ｗｉｅｎｅｒ模型的新方法，该方法利用不同幅值的周期脉冲信号作输入辨识信号，并且获了非线性增益未知参数和线性子系统脉冲响应的强一致性估计。本文还研究了估计残差的渐近分布以及收敛速度，最后的数字仿真研究说明了该方法的有效性和实用性。     

Wiener型非线性系统的La—RBF组合模型预测控制

针对Wiener型非线性系统,本文提出了一种基于Laguerre函数模型与RBF神经网络模 型的组合模型的预测控制策略,研究结果表明该组合模型兼具两者的优点,适用范围广,对 系统变时延,变阶次及变非线性都具有良好的控制效果．     

一种基于T-S模糊模型的自适应预测函数控制

针对离散时间非线性系统,提出了一种基于T-S模糊模型的自适应预测函数控制算法。该算法利用加权递推最小二乘法在线辨识T-S模糊模型后件参数,以克服模型失配对系统性能的影响。根据辨识得到的模型参数直接递推计算模型的预测输出,而不需要求解Diophantine方程,进而直接递推求解预测控制律,而不需要求解矩阵逆。仿真结果表明,该算法具有良好的跟踪性能和较强的鲁棒性。     

基于一类特殊非线性模型的广义预测控制

针对Hammerstein模型和Wiener模型,分别选择PH中和滴定过程和控制阀门作为仿真对象,研究了基于两步法的非线性预测控制方法。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C-R模糊模型的广义预测控制算法

该文对非线性系统的建模采用Cao-Ress(C-R)模糊模型,并用卡尔曼滤波算法在线辨识模糊模型的结论参数,从而减少了参数辨识的数量和避免了矩阵的求逆运算,然后在每一个采样点对该系统进行局部动态线性化,根据得到的系统线性化模型对系统采取广义预测控制(GPC)方法得到当前的控制动作。仿真结果表明了该方法的有效性。     

一种基于动态人工神经网络的Wiener模型辨识

提出了一种新的辨识模型对Ｗｉｅｎｅｒ模型进行辨识,该模型 线性动态神经元串联一静态网络模型组成,利用线性动态神经元对Ｗｉｅｎｅｒ模型的线性动态部分建模,利用静态ＢＰ网络逼近模型的静态非线性部分,并且给出了统一的ＢＰ辨识算法,仿真结果表明了该方法的有效性。     

一种新型非线性预测控制算法

根据最优控制的设计思想,设计出了将模型预测控制和常规控制相结合的控制方案,把预测控制参数设计问题简化为积分增益ks、预测时域M、补偿增益km的选择问题.此算法改善了对象特性,具有较强的抗干扰能力和鲁棒性,适用于大惯性、有自平衡能力的大多数热工控制对象,为非线性系统模型预测控制提供了一条新思路、新方法.     

非线性系统Wiener模型辨识

本文采用不同幅值的三电平伪随机m序列作为输入信号,辨识了离散非线性系统Wiener模型的线性脉冲响应函数和非线性增益系数.同时讨论了参数估计的统计特性及其区间估计,并附有仿真结果.     

基于Hammerstei模型的非线性预测控制

本文提出了一种针对Hammerstein模型的预测控制策略。该策略将Hammerstein模型中的无记忆非线性静态增益环节,改进成易于由中间变量求取控制量的环节,避免了求解高阶方程根的困难,又对线性环节采用线性系统的广义预测控制。由于引入了广义预测控制中多步预测的思想,抗噪声的能力显著提高。仿真结果验证了该策略的有效性。     

基于Hammerstei模型的非线性预测控制

本文提出了一种针对 Hammerstein模型的预测控制策略.该策略将Hammerstein模型中的无记忆非线性静态增益环节,改进成易于由中间变量求取控制量的环节,避免了求解高阶方程根的困难,又对线性环节采用线性系统的广义预测控制.由于引入了广义预测控制中多步预测的思想,抗噪声的能力显著提高.仿真结果验证了该策略的有效性.     

基于神经网络的非线性预测控制综述

基于神经网络的非线性预测控制是智能控制中的重要前沿课题，在工业过程控制领域有着非常大的应用前景。从预测方式、控制律求解方法和典型应用等几个角度对基于神经网络的非线性预测控制做了综述。对其中的关键技术做了深入阐述。并指明了今后的发展方向。     

基于一种继承模型的多变量非线性预测控制

提出了一种由人工神经网络与线性ＡＲＸ模型相结合的集成模型,给出了其辨识训练方法。以此模型为基础,提出了一种多变量非线性预测控制算法。它利用线性预测控制的成果,得到一解析式的非线性优化控制输入,避免了通常非线性模型（包括普通人工神经网络模型）预测控制所需的在线数值寻优计算,节约了在线计算时间。提高了算法的可靠性和稳定性。进一步给出了在ＣＳＴＲ反应器上的仿真实验结果。     

基于多项式核RVM的非线性模型预测控制

针对非线性、不确定性对象不易建模的特点,提出了基于多项式核关联向量机(RVM)的解析型非线性预测控制方法,该方法采用多项式核RVM进行模型辨识,得到的对象模型作为预测模型。由于RVM具有较好的非线性建模能力,弥补了SVM参数设定难和稀疏性不强等弱点;同时,多项式形式的模型表达式使二次型优化目标函数可以通过函数解析方法求得最优控制输入,即简化了滚动优化模块,增强了控制的实时性。通过对一个标准的非线性Benchmark问题进行仿真实验,结果表明该方法具有良好的控制性能。     

基于反步设计的构造性非线性预测控制算法

针对具有状态和输入约束的严格反馈非线性系统,提出一种反步设计构造性非线性预测控制算法.利用反步设计法离线构造系统的控制李亚普诺夫函数,进而得到系统的镇定可调控制器即稳定控制类.基于性能指标,滚动优化控制器可调参数,计算满足系统约束的预测控制量.进一步,运用控制李亚普诺大函数的性质建立闭环系统的稳定性.最后,应用轮式移动机器人的优化控制验证本文结果的有效性.     

非线性系统基于T-S模型的广义预测控制

对一类非线性系统,采用一种快速的模糊辨识方法离线建立系统的T—S模型,在采样点处根据辨识模型进行动态线性化处理,进而采取广义预测控制策略,同时为了适应系统的不确定性和扰动引起的变化,进一步提高控制效果,提出以模糊补偿作为在线辅助修正的策略。仿真研究表明所提方法有效。