基于SVM逆系统的非线性系统广义预测控制

针对工业过程中普遍存在的非线性被控对象,提出了一种基于支持向量机（SVM）逆系统的广义预测控制算法。该方法根据广义预测控制基于预测模型的特点,将基于支持向量机系统辨识的方法应用于逆系统构建和广义预测控制。该方法利用SVM强大的非线性映射能力离线辨识被控非线性系统的α阶逆模型,并将辨识出的逆模型连接在原被控统之前形成一个α阶纯延时伪线性系统。然后采用广义预测控制（GPC）算法实现对构造出的伪线性系统的预测控制。仿真实验表明了该算法的有效性和优越性。     

基于LS-SVM/PID复合逆系统的预测控制

为了提高预测控制算法的控制性能,提出一种基于最小二乘支持向量机(LS-SVM)/PID复合逆系统的预测控制算法。该算法在PID控制的基础上,利用LS-SVM离线建立被控对象的非线性逆模型作为前馈控制器,形成直接逆控制,其克服了逆系统方法鲁棒性不强的缺陷,并与原系统串联构成一个伪线性系统;然后,结合预测控制算法实现系统的预测控制。仿真结果表明,该算法具有较好的跟踪性能和抗干扰能力。     

基于T-S 模型的模糊预测控制研究

提出一种基于T—S模型的模糊预测控制策略．利用模糊聚类算法高线辨识T—S模型，采用带遗忘因子的递推最小二乘法进行模型参数的选择性在线学习；对模糊模型在每一采样点进行线性化，将T—S模型表示的非线性系统转化为线性时变状态空间模型，并将约束非线性优化问题转化为线性二次规划问题，解决了非线性预测控制中如何获得非线性模型和非线性优化在线求解的难题．将预测域内的线性模型序列作为预测模型，减小了模型误差，提高了控制性能．pH中和过程的仿真验证了该方法的有效性．     

基于LS-SVM的陶瓷窑炉温度预测控制

针对陶瓷窑炉大热容量、大滞后、非线性等特点,提出了一种基于最小二乘支持向量机动态矩阵控制方法;首先,采用保证种群多样性微粒群算法优化的最小二乘支持向量机离线建立被控对象模型;然后在系统运行过程中,用动态矩阵预测算法实现对被控系统的预测控制;并以陶瓷窑炉温度为控制对象,与Smith预估控制以及内模控制算法进行了比较;仿真结果证明了所提控制方法具有很好的动、静态性能和强鲁棒性。     

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。     

基于稳态非线性模型和线性ARX模型组合的非线性预测控制

通过点集映射来表示非线性系统的稳态模型,用系统的稳态增益来修正具有外界输入的线性自回归（AutoRegressive with eXternal input, ARX）模型的动态增益,提出了一种基于稳态非线性模型和线性ARX模型组合的非线性预测控制算法．该算法用递归最小二乘法在线辨识系统的动态模型参数,用序列二次规划算法求解目标函数．最后通过对典型化工非线性对象pH中和过程的仿真对本算法进行了验证．结果表明,本算法比广义预测控制算法具有更好的设定值跟踪性能和抗干扰能力．     

退火炉的非线性多变量预测分程过渡控制

介绍了一种新的非线性多变量模型预测分程过渡控制方法．将该方法应用到退火生产控制技术中，提出了一种新的退火过程控制法。对生产过程采用非线性预测控制分程过渡的优化处理．将被控对象的离线优化轨迹应用到控制器中。通过反馈控制．对控制器的一些实时参数加以补偿．经过在线滚动优化．使实际的输入、输出轨线尽可能接近给定的理想轨线。该方法可使退火炉以高性能的要求进行操作运行．以持续优化阶式变化。具有保持高性能控制以及低的工业消耗的优点，其能耗降低了20％～30％。投资回报率提高了近15％。     

基于Hammerstein-Wiener逆模型补偿的预测控制 非线性变换策略

针对一类Hammerstein-Wiener模型描述的非线性控制系统,提出一种基于逆模型补偿的预测控制策略.在控制优化计算中,利用Wiener非线性环节的逆模型分别对系统输出设定值和采样值进行变换;控制实施过程中,将控制器输出操作量经过Hammerstein静态非线性环节模型逆变换后施加到实际被控对象上,通过两次逆变换,使得标称模型下控制器输出与闭环系统中线性环节的输入相一致.通过非线性变换补偿将非线性过程的控制转化为线性系统控制,避免了对非线性模型进行优化计算量大及预测不准确的问题.最后通过仿真验证了所提方案的可行性及有效性.     

纯滞后系统的控制算法比较

本文介绍了用于时滞系统的Smith预估补偿控制、采样PI控制和预测控制方法的原理,并对一阶纯滞后对象,采用Matlab工具对其控制性能进行仿真比较。仿真结果表明,Smith预估补偿算法在滞后被控对象模型已知的情况下能够取得较好的控制效果,而在模型参数未知或不准确情况下,适合采用采样PI控制或预测控制。     

一种基于神经网络的鲁棒型预测控制算法

针对复杂工业过程中存在的时滞、强干扰的严重非线性控制对象,仿真研究了一种利用神经网络作为预测模型,遗传算法作为滚动优化策略的预测控制方法.在算法中为了提高辨识非线性系统的鲁棒性以及降低控制器对未建模动态的敏感性,引入了一种伪模型,即将系统实际输出与预测输出综合成的新的输出信号,由该信号代替量测输出.仿真结果表明对于非线性被控对象该方法具有良好的鲁捧性和跟踪性能,对于改善非线性预测控制不失为一种有益的尝试.     

基于LS-SVM预报的动态矩阵预测控制

针对实际工业过程中的非线性及时变特性,传统预测控制算法就难于建立精确的数学模型,从而提出了一种基于最小二乘支持向量机预报的动态矩阵预测控制模型.在整个过程中,首先建立基于最小二乘支持向量机的非线性动态矩阵预测控制结构,通过利用最小二乘支持向量机辨识被控对象模型,同时预测对象的未来输出,然后用动态矩阵控制算法进行滚动优化和反馈校正.仿真实例表明该模型对预测结果有很好的控制作用,有效消除输入干扰的影响,从而提高了预测精度.     

Temperature prediction control based on least squares support vector machines

A prediction control algorithm is presented based on least squares support vector machines (LS-SVM) model for a class of complex systems with strong nonlinearity. The nonlinear off-line model of the controUed plant is built by LS-SVM with radial basis function (RBF) kernel. In the process of system running, the off-line model is linearized at each sampling instant, and the generalized prediction control (GPC) algorithm is employed to implement the prediction control for the controlled plant. The obtained algorithm is applied to a boiler temperature control system with complicated nonlinearity and large time delay. The results of the experiment verify the effectiveness and merit of the algorithm.     

基于在线最小二乘支持向量机的广义预测控制

This paper proposes a practical generalized predictive control(GPC)algorithm based on online least squares support vector machines(LS-SVM)which can deal with nonlinear systems effectively.At each sampling period the algorithm recursively modifies the model by adding a new data pair and deleting the least important one out of the consideration on realtime property.The data pair deleted is determined by the absolute value of lagrange multiplier from last sampling period.The paper gives the recursive algorithm of model parameters when adding a new data pair and deleting an existent one,respectively,and thus the inversion of a large matrix is avoided and the memory can be controlled by the algorithm entirely.The nonlinear LS-SVM model is applied in GPC algorithm at each sampling period.The experiments of generalized predictive control on pH neutralizing process show the effectiveness and practicality of the proposed algorithm.     

基于PSO滚动优化的LS-SVM预测控制*

针对非线性时延系统、传统预测控制算法难以建立精确模型、控制精度不高的现状,提出一种基于最小二乘支持向量机（LS-SVM）的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习,建立其预测模型;然后运用粒子群(PSO)算法完成非线性预测控制的滚动优化。仿真结果表明,基于该方法的非线性系统预测控制具有较好的控制效果。     

基于L S-SVM 的非线性预测控制技术

探讨了利用最小二乘支持向量机(LS—SVM)进行非线性系统辨识的方法，LS—SVM用等式约束代替传统支持向量机中不等式约束，求解过程从解QP问题变成解一组等式方程，将得到的LS—SVM模型应用到非线性预测控制，提出了基于LS—SVM模型的非线性预测控制算法，通过CSTR过程仿真表明，最小二乘支持向量机学习速度快，在小样本情况下具有良好的非线性建模和泛化能力，基于LS—SVM的预测控制算法具有很好的控制性能。     

基于LS-SVM的船舶航向模型预测控制

针对船舶动态性能具有较强的非线性、大惯性及时变性的特点,采用具有RBF核函数的最小二乘支持向量机(LS-SVM),利用其可以任意逼近非线性模型的良好特性实现对船舶模型有效辨识,得到船舶航向控制系统的非线性逼近模型,并将其与模型预测控制方法相结合,将最小二乘支持向量机辨识得到的系统模型作为预测模型,并将系统模型进行线性化并用线性预测控制方法求得解析的控制律,实现对船舶航向的预测控制,达到良好航向保持目的。仿真结果表明,最小二乘支持向量机降低了计算复杂度,且有较快计算速度,在小样本情况下具有良好的泛化能力;基于最小二乘支持向量机的船舶航向预测控制系统对外界干扰及模型参数摄动均具有较好的适应能力以及良好的控制性能。     

Sparse representation based on projection method in online least squares support vector machines

A sparse approximation algorithm based on projection is presented in this paper in order to overcome the limitation of the non-sparsity of least squares support vector machines （LS-SVM）. The new inputs are projected into the subspace spanned by previous basis vectors （BV） and those inputs whose squared distance from the subspace is higher than a threshold are added in the BV set, while others are rejected. This consequently results in the sparse approximation. In addition, a recursive approach to deleting an exiting vector in the BV set is proposed. Then the online LS-SVM, sparse approximation and BV removal are combined to produce the sparse online LS-SVM algorithm that can control the size of memory irrespective of the processed data size. The suggested algorithm is applied in the online modeling of a pH neutralizing process and the isomerization plant of a refinery, respectively. The detailed comparison of computing time and precision is also given between the suggested algorithm and the nonsparse one. The results show that the proposed algorithm greatly improves the sparsity just with little cost of precision.     

高超声速飞行器的调度离线预测控制

本文将调度预测控制的思想应用于离线鲁棒预测控制,设计了高超声速飞行器计算有效的调度离线预测控制器.首先在不同的平衡点离线设计一系列控制规则,实际实施时只需要在不同的控制器之间进行切换,避免进行在线优化,大幅度减少了在线计算时间.通过估计局部控制器的稳定域,保证了切换控制器的稳定性.另外在确保良好控制品质的同时,还能够保证所有输入和状态均在给定约束范围.仿真试验表明,提出的方法能实现速度和高度较大范围的指令跟踪,所有输入和状态均在给定约束范围内;相比于在线鲁棒预测控制方法,仿真运行时间减少,可以实现高超声速飞行器的实时控制.     

神经网络多步预测控制及其在精馏塔中的应用研究

本文提出一种基于多神经网络并行预测模型的多变量协调预测控制,利用预测误差实时反馈校正各个神经网络预测模型的参数,对于对象的时变、未建模干扰及模型失配引起的误差均有很好的适应性。针对存在耦合的被控对象,本文在优化性能指标中采用多变量协调优化策略,对被控变量集及操作变量集优化,使被控变量达到优化值和使部分操作变量达到优化值。在单步预测控制的基础上,提出基于多RBF神经网络并行预测模型的多变量协调预测控制,提高了预测控制的鲁棒性及抗干扰能力。将此方法应用于精馏塔控制中,在保证主要产品质量合格的前提下,对操作变量进行约束,使部分操作变量达到优化值,从而减少能耗,提高经济效益。仿真结果表明,基于神经网络预测模型的多变量协调预测控制具有很好的动态特性、鲁棒性及显著的节能降耗效果。