基于改进的BP网络误差修正的广义预测控制

该文利用预测误差的历史数据,基于改进的BP神经网络,对系统的建模误差进行预测。该网络采用了修正激励函数的BP算法,预测性能好,能够克服标准BP算法中Sigmoid函数的不足,加快了网络的学习速度。并将其与模型预测相结合构成广义预测控制算法,有效地克服了模型失配的影响,提高了控制的速度,同时引入控制增量增益,利用这个自由度来提高闭环的稳定鲁棒性。仿真结果表明了该算法的有效性。     

基于神经网络的广义预测控制

本文将神经网络快速计算的性能应用于广义预测控制中,以便克服广义预测控制算法的不足之处。仿真研究表明,这种方法实为改进控制算法性能的有效途径。     

基于ARIMA模型误差修正的小波神经网络风速短期预测

风电场风速短期预测对于风力发电具有重要意义。本文首先根据国家标准《风电场风能资源评估方法》推荐的方法对风速数据进行预处理,修正不合理的数据以及插补丢失的数据:接着运用小波神经网络对预处理之后的数据进行预测,并对预测之后的残差形成的随机序列建立ARIMA误差预测模型,最后用预测的误差来修正风速预测结果。将以上方法用于某小型风电场实测数据,并将运算结果与小波神经网络的预测进行比较,MAPE降低了46.97%,结果表明基于ARIMA模型误差修正的小波神经网络明显改善了风速预测的精度,可有效应用于短期风速预测。     

误差修正Stacking算法在港口吞吐量预测中的应用

吞吐量的准确预测对于港口的发展具有重要意义,传统的单一模型在预测的精度或稳定性上都存在局限性.为提高吞吐量预测精度,引入Stacking算法的思想建立组合模型,并在此基础上提出了利用PCA-BP模型修正Stacking算法误差的误差修正模型;同时以1998-2017年深圳港集装箱吞吐量为实证研究对象,进行了基于BP神经...     

BP神经网络误差修正的电力物资时间序列预测

传统的ARIMA时间序列分析方法是基于线性技术来进行时序预测,而对非线性数据的处理不尽合理,效果欠佳;而影响电力物资需求的因素非常多,绝大多数的物资序列通常既包含了线性时序的部分,又包含了非线性时序的成分.本文提出在ARIMA对电力物资需求预测的基础上,融合BP神经网络进行误差修正,以全面提取物资序列中的复合特征,提高电力物资的预测精度.实验结果表明,误差修正后的电力物资预测精度有了显著提高,可以为制定物资采购计划提供重要的数据支持.     

基于神经网络的广义非线性预测PID控制

针对一些复杂的非线性系统用基于线性模型的预测控制器控制效果不理想的问题，本文提出在利用前馈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，并且结合非线性PID，用另一前馈神经网络作为控制器，实现对非线性系统的控制。经网络的在线辨识采用梯度法，仿真实验验证了方法的有效性。     

基于RBF模糊神经网络模型的广义预测控制

广义预测控制对线性系统具有较好的控制效果，为将它应用到非线性系统，本文提出一种将RBF模糊神经网络与广义预测控制相结合的方法，仿真证明控制有效。     

基于神经网络的自治水下机器人广义预测控制

针对自治式水下机器人高度非线性和时变性的特点,提出了一种基于神经网络的水下机器人广义预测控制策略．利用改进型Elman网络作为多步预测模型,在对网络学习算法进行改进的基础上,实现了Elman网络的在线学习,并提出了用于求解神经广义预测控制律的灵敏度公式．进行了具有神经网络在线学习功能和不具有在线学习功能的水下机器人的速度控制实验,并就预测控制效果进行了对比分析．实验结果表明,具有自适应学习功能的水下机器人速度控制法的精度要优于不具有在线学习功能的速度控制法,且当水下机器人动态特性发生变化时具有较强的自适应能力．     

基于神经网络的二容水箱广义预测控制

针对二容水箱的非线性特点,提出了一种基于神经网络的二容水箱广义预测控制策略。应用收敛速度较快,精确度较高的LM算法训练神经网络,推导了神经网络的导数方程,用迭代法求解输入u的雅克比矩阵和海森矩阵,继而用Newton-Raphson算法求解u,进行了对二容水箱机理模型与实际对象的控制实验,并就控制结果进行了对比分析。实验结果表明,神经网络广义预测控制(NGPC)方法在对实际的二容水箱进行控制时取得了较好的效果。     

基于ANN的非线性系统GPC算法及仿真研究

将神经网络（ANN）技术应用于常规GPC算法,设计了基于ANN的非线性系统GPC结构方案,并对其控制原理和控制算法进行研究,基于ANN高度非线性映射等特性,运用数字仿真方法,对所设计的控制结构方案进行仿真研究,仿真结果显示,基于ANN的非线性系统GPC结构方案合理可行,并取得了满意的控制效果．     

基于径向基函数网络的一步超前预测控制研究

提出一种基于径向基函数（RBF）神经网络的一步超前预测控制算法。该方法只用于一个网络，控制量的获取只求几步迭代，算法简单并有较好的实用性。通过对离散非线性系统的仿真证明了算法的有效性。     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制（GPC）相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络“黑箱”的功能达到对非线性系统的预测控制。以机器人为控制对象进行仿真,取得了较好的控制效果。     

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。     

一种基于PSO的自适应神经网络预测控制

针对非线性系统,提出了一种基于微粒群优化(PSO)的自适应神经网络预测控制方法.采用对角递归网络(DRNN)对非线性系统进行建模,并利用扩展卡尔曼滤波(EKF)递推估计算法在线计算网络模型参数的Jacobian矩阵以实现模型参数的自适应.利用PSO算法在线优化求解非线性系统的预测控制律,以克服传统基于梯度法的非线性规划方法求解预测控制律时对初始条件非常敏感的缺点.生化发酵过程的仿真结果表明,所提出的控制方法具有良好的跟踪能力和抗干扰能力.     

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.     

基于神经网络的时滞非线性系统的广义预测控制

针对一类时滞非线性被控对象,提出一种基于RBF神经网络的广义预测自校正控制方案,在广义预测控制中,采用RBF神经网络建立被控对象的多步预测模型,并不断修正预测输出,提高预测输出的精度.控制器则采用GPC隐式修正算法,不用辨识对象的模型参数,大大减少了计算量.经过仿真研究,与常规的PID自适应控制方法相比较,证明了该方法的优越性,预测控制误差小,实时性好,动态响应快.     

二次开发ForceControl嵌入带预测误差校正的动态矩阵控制算法

介绍了ForceControl组态软件的特点和功能.根据ForceControl的特点,提出了以ActiveX控件形式嵌入先进控制算法,对组态软件进行二次开发的方法.提出了一种带预测误差校正的动态矩阵控制算法,并制作成ActiveX控件嵌入到ForceControl中.