基于RBF神经网络的改进多变量预测控制

针对一类多输入多输出非线性被控对象,提出一种基于单神经网络的预测控制算法,应用RBF神经网络对非线性系统进行辨识,并计算被控系统多步预测输出值.该方法通过对传统预测目标函数加以改进,给出一种带微分项的多步预测目标函数,通过迭代寻优实时给出优化控制量.该方法实时性好,简化了传统预测控制算法,加快了滚动寻优的速度,有效地抑制了系统惯性和输入时滞所带来的超调,减小了模型误差、干扰及不确定性对控制器的影响.仿真及应用结果表明了该方法的有效性.     

基于小波神经网络的木材干燥窑内传感器建模研究

针对木材干燥系统具有非线性、强耦合的特性,难以建立准确的数学模型,提出一种基于小波神经网络的建模方法。通过木材干燥窑内木材含水率传感器、温度传感器和湿度传感器采集的数据建立小波神经网络模型,并通过模型预测木材含水率传感器的测量值。小波神经网络将BP神经网络在非线性问题上自学习的能力与小波表征信号局部信息的能力相结合,具有很强的自适应分辨性和容错能力。利用实际木材干燥过程中采集的数据作为训练样本进行仿真实验。结果表明：小波神经网络方法建立的模型能够预测木材含水率传感器的测量值,模型泛化能力强,预测精度高于BP神经网络建立的模型,验证了小波神经网络对木材干燥窑内传感器建模的可行性和有效性。     

采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法。算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点．采用自适应性学习率,提高神经网络的收敛能力和速度．以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标。然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制．仿真研究说明了该非线性预测控制器的有效性。     

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。     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

小波神经网络在股票平均线交易规则中的应用

股票市场是一个复杂的非线性动态系统，利用传统的时间序列预测技术很难揭示其内在规律，而近十几年来发展起来的神经网络理论逐渐成为非线性动态系统预测与建模的强有力工其。该文介绍了小波分析中的趋势提取技术，建立小波分析与神经网络相结合的预测模型，将该模型应用于股票平均线交易规则中，同时还与普通神经网络预测模型进行厂对比，研究实例表明，小波神经网络方法提高了预测精度，对移动平均线交易规则作了一种有效的补允，是股市技术分析的一种自效实用的方法。     

基于小波神经网络的抄纸过程建模仿真研究

抄纸过程中水分定量控制是一种复杂的多变量耦合过程.它具有大滞后、非线性、时变、不确定等特性,因此一般采用常规方法很难准确建立其数学模型.神经网络是一种很好的非线性数学模型,运用多输入多输出的小波神经网络对抄纸过程中水分定量控制进行数学建模,并在小波神经的嘲络训练过程中采用了两种训练方法,加快了训练速度.结果表明,小波神经网络输出值与实际模型输出值的误差在允许范围内,可以很好的逼近抄纸过程的数学模型.     

基于小波神经网络的非线性误差校正模型及其预测

针对非线性系统的预测问题，在线性和非线性协整理论涵义的基础上，提出利用小波神经网络进行非线性协整系统的非线性误差校正模型的研究，并给出该模型的建模方法．对沪深股市进行实证研究，与线性向量自回归模型进行比较．研究证明，小波神经网络所建立的非线性误差校正模型有较好的预测效果，能够有效地预测非线性经济系统．     

网络流量预测的建模与仿真研究

研究网络流量准确预测问题,网络流量变化是一种具有时变性、多尺度和突发性的非线性系统,由于传统时间序列预测方法很难揭示内在变化规律,导致网络流量的预测精度比较低.为了提高网络流量的预测精度,提出一种小波分析BP神经网络的网络流量预测模型.模型首先通过小波分析对网络流量进行分解,得到网络流量信号的近似和细节部分,然后进行重构提取多尺度特征,最后将重构的网络流量数据输入到BP神经网络,利用BP神经网络的非线性能力对网络流量进行训练、建模并预测.仿真结果表明,小波神经网络方法提高了网络流量预测精度,是一种有效实用的网络流量预测方法.     

基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法

对于非线性系统预测控制问题, 本文提出了一种基于模型学习和粒子群优化(PSO)的单步预测控制算法.该方法使用最小二乘支持向量机(LS-SVM)建立非线性系统模型并预测系统的输出值, 通过输出反馈和偏差校正减少预测误差, 由PSO滚动优化获得非线性系统的控制量. 该方法能在非线性系统数学模型未知的情况下设计出有效的预测控制器. 通过对单变量多变量非线性系统进行仿真, 证明了该预测控制方法是有效的, 且具有良好的自适应能力和鲁棒性.