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。     

多步预测性能指标函数下的神经网络逆动态控制方法

将预测控制与神经网络逆动态控制相结合,提出了多步预测性能指标函数下的神经网络逆动态控制方法。该方法用多步预测性能指标函数训练神经网络逆动态控制器的权值,使整个系统具有预测控制的特点,有比通常的神经网络逆动态控制快得多的响应速度和更好的响应性能。     

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。     

基于小波神经网络的板形板厚综合系统逆控制

针对板形板厚综合系统具有强耦合、非线性、含纯滞后环节的特点,提出一种基于小波神经网络的逆控制方案.利用两个结构相同的小波神经网络构造Smith预估器,预估器的输入参数与时延阶次无关,能较好地解决小波神经网络对维数较为敏感的问题.采用神经网络逆控制的思想设计小波神经网络控制器,引入多步预测性能指标函数对控制器权值进行在线训练.仿真研究表明,该控制方案具有较快的响应速度和良好的动态性能.     

基于神经网络的鲁棒自适应逆飞行控制

提出基于在线神经网络的超机动飞行自适应动态逆鲁棒控制方法.超机动飞行的基本控制律采用非线性动态逆方法设计,对于建模误差或者控制面损伤等因素导致的不确定性逆误差采用神经网络进行自适应补偿.通过动态逆控制律简化计算和飞机控制面故障自适应修复的仿真表明,神经网络通过在线补偿逆误差,能够有效降低非线性动态逆对模型准确性的要求,增强控制系统的鲁棒性.     

非线性系统的神经网络自适应逆控制

提出了非线性系统的神经网络自适应逆控制方法。设计中使用了2个神经网络，经离线训练的NN1实现非线性系统的逆，在线网络NN2用于补偿逆误差和系统的动态特性变化，对一非线性系统的仿真结果表明，神经网络自适应逆控制能够提高系统的动态性能，并且具有较好的鲁棒性。     

非线性系统多步预测控制的复合神经网络实现

提出一种基于神经网络的非线性多步预测控制,采用由线性网络和动态递归神经网络构成的复合神经网络。在此基础上将线性系统的广义预测控制器扩展为非线性系统的多步预测控制器。通过对非线性过程ＣＳＴＲ的仿真表明,该方法的稳定性和鲁棒性明显优于线性ＤＭＣ预测控制。     

基于状态全反馈的动态迟滞非线性系统

该文针对不平滑、多映射动态迟滞非线性系统,提出了一种基于神经网络自适应控制方案.在该方案中,通过利用神经网络来逼近模型误差,避免了目前常用逆模型补偿方案中,需求取复杂逆模型的问题.应用Lyapnov稳定定理,证明了整个闭环系统的跟踪误差及神经网络权值将收敛到零点一个有界邻域内.仿真结果表明,所提出的控制方案能够有效补偿迟滞非线性对系统的影响.     

基于状态全反馈的动态迟滞非线性系统自适应控制

该文针对不平滑、多映射动态迟滞非线性系统，提出了一种基于神经网络自适应控制方案。在该方案中，通过利用神经网络来逼近模型误差，避免了目前常用逆模型补偿方案中，需求取复杂逆模型的问题。应用Lyapnov稳定定理，证明了整个闭环系统的跟踪误差及神经网络权值将收敛到零点一个有界邻域内。仿真结果表明，所提出的控制方案能够有效补偿迟滞非线性对系统的影响。     

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。     

Developing a robust model predictive control architecture through regional knowledge analysis of artificial neural networks

Chemical processes are nonlinear. Model based control schemes such as model predictive control are highly related to the accuracy of the process model. For a highly nonlinear chemical system, it is clear to implement a nonlinear empirical model, such as artificial neural network model, should be superior to a linear model such as dynamic matrix model. However, unlike linear systems, the accuracy of a nonlinear empirical model strongly depends on its original data or training data based on how the model is built up. A regional-knowledge index is proposed in this study and applied in the analysis of dynamic artificial neural network models in process control. New input patterns that imply extrapolations and thus unreliable prediction by an artificial neural network model can be recognized from a significant decrease in the regional-knowledge index. To tackle the extrapolation problem and assure stability of the control system, we propose to run a neural adaptive controller in parallel with a model predictive control. A coordinator weights the outputs of these two controllers to make the final control decision. The present state of the controlled process and the model fitness to the present input pattern determine the weightings of the controller's output. The proposed analysis method and the modified model predictive control architecture have been applied to a neutralization process and excellent control performance is observed in this highly nonlinear system.     

基于逆系统的赖氨酸发酵多变量解耦内模控制

针对赖氨酸发酵过程的时变、非线性和高耦合性,提出基于逆系统的赖氨酸发酵多变量解耦内模控制方法。根据动态递归模糊神经网络(DRFNN)的非线性辨识原理离线建立发酵过程的逆模型,将得到的逆模型串联在发酵系统之前,实现了发酵过程输入输出解耦线性化,从而得到伪线性系统;对复合后的伪线性系统采用内模控制。仿真结果表明,该方法能够适应赖氨酸发酵过程模型的不确定性和参数的时变性,具有较强的鲁棒性,且结构简单,易于实现。     

A variable‐structure gradient RBF network with its application to predictive ship motion control

The prediction of dynamic behavior of the nonlinear time‐varying process plays an important role in predictive control applications. Although neural network algorithms have been intensively researched in modeling and controlling nonlinear systems in recent years, most of them mainly focused on the static dynamics. In this paper, a variable‐structure gradient radial basis function (RBF) network is implemented for nonlinear real‐time model predictive control, which is achieved by the proposed gradient orthogonal model selection (GOMS) algorithm. By learning the gradient message of real‐time updated data in a sling window, the structure and the connecting parameters of the network can be adaptively adjusted to adapt to the time‐varying dynamics. The proposed algorithm is evaluated with Mackey‐Glass chaotic time series prediction. Moreover, the variable structure network achieved by GOMS algorithm is applied as a multi‐step predictor in a ship course‐tracking control study, results demonstrate the applicability and effectiveness of the proposed GOMS algorithm and the variable‐RBF‐network based predictive control strategy. Copyright © 2011 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

Nonlinear model predictive control using parameter varying BP-ARX combination model

A novel back-propagation AutoRegressive with eXternal input (BP-ARX) combination model is constructed for model predictive control (MPC) of MIMO nonlinear systems, whose steady-state relation between inputs and outputs can be obtained. The BP neural network represents the steady-state relation, and the ARX model represents the linear dynamic relation between inputs and outputs of the nonlinear systems. The BP-ARX model is a global model and is identified offline, while the parameters of the ARX model are rescaled online according to BP neural network and operating data. Sequential quadratic programming is employed to solve the quadratic objective function online, and a shift coefficient is defined to constrain the effect time of the recursive least-squares algorithm. Thus, a parameter varying nonlinear MPC (PVNMPC) algorithm that responds quickly to large changes in system set-points and shows good dynamic performance when system outputs approach set-points is proposed. Simulation results in a multivariable stirred tank and a multivariable pH neutralisation process illustrate the applicability of the proposed method and comparisons of the control effect between PVNMPC and multivariable recursive generalised predictive controller are also performed.     

基于ANN逆模型补偿的复合控制系统仿真

为对复杂非线性系统进行辨识建模和实施有效控制，分析了基于神经网络的非线性系统逆模型的辨识和控制原理，研究了基于神经网络的非线性系统逆模型补偿的复合控制方法。基于复合控制思想，时常规PID控制器＋前馈神经网络逆模型补偿的复合控制结构方案进行了仿真。仿真结果表明，基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的、相对简单的网络结构，可提高逆模型的泛化能力和非线性系统的控制精度。     

一种混合神经网络飞行控制方法研究

讨论了一种基于神经网络控制的飞行控制方法。针对复杂非线性系统难以建立精确模型的特点,利用神经网络的任意非线性逼近能力进行控制器设计,首先应用神经网络在线辨识对象逆模型,进行控制系统反馈线性化;接着利用circle theorem（圆定理）设计线性PID鲁棒控制器,控制系统输出跟随系统输入,然后应用神经网路自适应逆方法设计混合控制器,最后以F-8飞机纵向飞行控制模态为研究对象进行仿真。仿真结果表明,该控制方法具有较强的自适应和抗干扰能力。     

基于LabVIEW的神经网络自适应逆控制系统

目前基于人工神经网络的非线性自适应逆控制研究主要集中在Matlab仿真研究方面,无法直接推广为实际应用。为此,采用基于LabVIEW的动态神经网络非线性自适应逆控制方法,首先在LabVIEW中建立动态神经网络结构及在线学习算法,并依此建立非线性对象的辨识器和逆控制器等模型;然后构建完整的非线性对象自适应逆控制系统,并在LabVIEW环境中通过仿真验证了系统性能。通过配置相应的数据采集设备,该系统可以直接推广为实际应用。     

基于Hammerstein 模型的感应电机变频器调速系统神经网络控制

针对感应电机变频器调速系统的非线性特点,提出一种基于Hammerstein模型的神经网络控制方法。 Hammerstein模型由静态非线性模块和动态线性模块组成。首先,利用ARMA模型实现对感应电机变频器调速系统的线性动态模块辨识;然后,基于该辨识模型,实现调速系统非线性静态模块神经网络逆模型辨识与系统直接逆控制;最后,针对控制过程中存在的电机负载扰动问题,设计了神经网络直接逆控制器在线学习与控制策略。仿真实验表明,所提出的控制策略可以获得满意的控制效果。     

非线性系统模糊神经网络变结构自适应控制

在非线性系统的模糊动力学模型基础上,提出一种模糊神经网络变结构自适应控制器;网络的结构根据非线性系统特性动态构成,基于该网络提出非线性预测器,基于梯度法提出了一种网络参数学习算法,并分析了收敛性及其性质。将网络预测器与参数学习算法相结合,构成自适应控制算法,证明了算法的收敛性。仿真结果证实了算法的有效性。