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。     

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。     

非线性系统神经网络预测控制研究进展

摘 要：神经网络由于其在非线性系统建模与优化求解方面的优势,被广泛应用于预测控制中,形成了各种各样的神经网络预测控制算法。本文系统地评述了非线性系统神经网络预测控制系统中的模型选取、控制器优化、控制系统结构设计方法以及收敛性理论等研究现状,分析了非线性系统神经网络预测控制算法存在的问题和今后的研究方向。     

一类非线性系统的稳定神经网络自适应控制

利用神经网络作为非线性系统的模型，研究了一类非线性系统的神经网络自适应控制问题，设计出的自适应控制器具有如下的特点：（１）网络仅值是基于参考误差信号学习的投影算法来调节，这样可保证权值的有界性；（２）为了减小神经网络参数估计误差对跟踪误差的影响，提出了根据参考误差信号实时修正神经网络输入的方法。仿真结果对该控制方案进行了验证。     

基于神经网络的一类非线性系统的自适应控制

基于递归神经网络给出了仅含一个非线性环节的一类非线性系统的自适应控制方案。该方案采用递归神经网络辨识非线性系统中的未知非线性环节。沿用广义最小方差自校正控制方法,可以解决非线性环节未知和工作点变化时传统方法无法控制的自适应控制问题。理论分析和仿真结果表明,该方法具有很好的控制效果。     

基于神经网络非线性模型的扩展DMC预测控制

利用前馈神经网络建立对象的非线性预测模型，用多级阶跃响应建立平均线性模型。     

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。     

一类非线性系统的自适应广义预测控制

针对一类非线性系统,通过分析将其表示为具有时变系数的线性系统,然后利用带协方法差修正的最小二乘法对时变参数进行在线辨识,最后运用广义预测控制策略实现对原系统的自适应预测控制。仿真结果表明了该方法的有效性。     

基于神经网络的非线性系统预测函数控制

针对离散非线性系统,利用神经网络非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络预测函数控制方法并给出了控制律的收敛性分析.该方法将复杂的神经网络非线性预测方程转化成直观而有效的线性形式,同时利用线性预测函数方法求得解析的控制律,避免了复杂的非线性优化求解,仿真结果表明了算法的有效性.     

基于神经网络的非线性系统多步预测控制

针对离散非线性系统,利用非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络多步预测控制方法,并给出了控制律的收敛性分析．该方法将非线性系统处理成简单的线性和非线性两部分,对复杂的非线性多步预测方程给出了直观而有效的线性形式,并用线性预测控制方法求得控制律,避免了复杂的非线性优化求解．仿真结果表明了该算法的有效性．     

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．     

An Adaptive RBF Neural Network Control Method for a Class of Nonlinear Systems

This paper focuses on designing an adaptive radial basis function neural network (RBFNN) control method for a class of nonlinear systems with unknown parameters and bounded disturbances. The problems raised by the unknown functions and external disturbances in the nonlinear system are overcome by RBFNN, combined with the single parameter direct adaptive control method. The novel adaptive control method is designed to reduce the amount of computations effectively. The uniform ultimate boundedness of the closed-loop system is guaranteed by the proposed controller. A coupled motor drives (CMD) system, which satisfies the structure of nonlinear system, is taken for simulation to confirm the effectiveness of the method. Simulations show that the developed adaptive controller has favorable performance on tracking desired signal and verify the stability of the closed-loop system.      

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.     

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.     

一类非线性系统的广义预测控制研究

针对一类难以线性化的单输入单输出非线性离散系统,就其实际输出信号跟踪参考输出信号的控制问题,研究了它的广义预测控制律设计方法。在系统数学模型非线性项的系数多项式满足一定条件的情况下,通过适当的数学处理,使问题的本质归结为求解线性差分系统的一组Diophantine方程,从而解出了非线性系统广义预测控制律表达式中的各个系数多项式,并给出了广义预测控制律的具体解析形式。通过仿真实例验证了所提出设计方法的正确性和有效性。     

一类受限非线性系统显示模型预测控制器

提出了一种利用神经网络与显示预测控制相结合来处理一类带约束非线性系统的新方法。首先基于神经网络理论对非线性系统进行建模,通过对神经网络中转移函数的最大最小值的调整构造多面体描述的线性时变系统来包裹原非线性系统,然后采用多参数规划在线离线相结合的方法建立显式模型预测控制系统。最后对该方法进行仿真实验,仿真结果证明,采用这种方法可以很好的描述非线性系统,改善控制器的控制效果。     

基于粒子群的多BP网络并行非线性预测控制

针对传统预测控制算法在解决非线性系统控制问题时,存在难以建立精确的数学模型、控制精度不高等缺点,提出一种新的非线性系统预测控制方案。以多BP神经网络作为并行预测模型,克服误差积累以及网络规模庞大的缺点;运用粒子群优化（PSO）算法完成非线性预测控制的滚动优化。仿真表明,该方案的控制效果比常规动态矩阵控制效果有所提高,该方案是可行和有效的。     

一类未知非线性离散系统的直接自适应模糊预测控制

将自适应模糊逻辑系统引入预测控制,对一类未知非线性离散系统提出了直接自适应模糊预测控制方法.首先对被控对象提出了线性时变子模型加非线性子模型的预测模型,然后直接利用模糊逻辑系统设计预测控制器,并基于广义误差估计值对控制器参数和广义误差估计值中的未知向量进行自适应调整.文中证明了此方法可使广义误差估计值收敛到原点的小邻域内.