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IGA的板形板厚神经网络分散解耦PID控制

针对板带材轧制是一个复杂的非线性过程，板形控制(AFC)和板厚控制(AGC)又是相互耦合的一个综合系统等特点．该文首先采用神经网络分散解耦方法，对此板形板厚多变量耦合系统进行解耦，而后再应用基于免疫遗传算法的PID控制对解耦后的已近似成为两个独立的SISO系统的广义对象进行控制。从而建立了基于免疫遗传算法的板形板厚神经网络分散解耦PID控制系统。仿真结果证明了此AFC—AGC控制系统具有良好的自适应跟随和抗扰性能，其控制效果优于传统的解耦PID控制。     

基于解耦的板形板厚系统鲁棒控制策略

针对多变量系统中前馈解耦效果依赖于系统模型的问题,提出了一种基于前馈解耦的鲁棒控制策略来保证系统参数变化时的解耦效果.针对连续轧制过程中强耦合的板形板厚系统,首先依据经验数学模型设计前馈解耦器,然后对消除耦合影响后的多变量系统设计鲁棒控制器,用多变量鲁棒控制抑制破坏解耦效果的各种不确定性因素的影响.针对实际系统中可能存在的干扰信号进行了抗干扰能力实验,针对系统参数可能存在的不确定性进行了抗参数摄动实验;仿真结果显示了良好的解耦效果,这也说明了该控制策略的有效性.     

基于动态RBF神经网络的板形板厚综合控制仿真研究

基于RBF神经网络的特点提出了一种动态调节隐含层隐节点个数的方法，由2部分组成：首先以网络输出数据的均方误差及其变化率为标准来调节隐含层节点的数目，然后调节优化隐含层节点的中心值，根据广义逆矩阵的方法求出输出层权值．所设计的神经网络具有最少的隐含层节点数，提高了学习训练速度，构造了板形板厚综合控制的数学模型，采用新的模型处理方法，用动态RBF神经网络进行控制仿真，取得了理想的结果．     

基于免疫算法的模糊神经网络在板厚板形控制中的应用

本文设计了一种基于免疫算法(IA)的模糊神经网络板厚板形综合控制系统，用IA算法优化具有全局性的隶属函数参数后，再用梯度下降法在线调节和优化网络的局部性参数．在应用于二机架可逆冷连轧板厚板形综合控制中的仿真实验表明，该系统有较强的抗干扰性和较好的收敛性．     

基于IMSE的神经网络优化设计方法在板厚板形控制中的应用

提出基于免疫调节的共生进化算法 (IMSE)的神经网络优化设计方法 ,融入了免疫调节原理中的浓度抑制调节机制以保持个体的多样性 ,有效地克服了未成熟收敛现象 .在应用于二机架冷连轧板厚板形综合控制系统中的仿真实验表明 ,该方法能很好地适应复杂环境 ,并具有较好的收敛性和较强的抗扰性     

基于递阶遗传算法的RBF神经元网络板形板厚综合控制

该文首先用递阶遗传算法（HGA）设计RBF神经网络，不仅可以同时确定网络参数（连接权、隐节点中心和宽度），而且解决了网络拓扑结构的优化训练问题，而后针对板带材轧制是一个复杂的非线性过程，板形控制（AFC）和板厚控制（AGC）又是相互耦合的一个综合系统等特点，建立了基于过程最优的权值在线自学习算法的RBF神经元网络的板形板厚多变量综合控制系统，仿真结果证明了此AFC－AGC控制系统具有良好的自适应跟随和抗扰性能，其控制效果优于传统的解耦PID控制。     

基于LMI方法的板形板厚综合系统的H∞跟踪控制器设计

针对板带材轧制是一个复杂的非线性过程,板形控制(AFC)和板厚控制(AGC)又是相互耦合的一个综合系统等特点,该文建立了工作点线性化的冷连轧板形板厚离散化状态空间模型;将H∞跟踪控制问题转化为标准的H∞控制问题,并应用LMI(Linear Matrix Inequality)方法设计了板形板厚H∞跟踪控制器。仿真结果证明了此H∞控制系统具有良好的鲁棒稳定性、自适应跟随和抗扰性能,其控制效果优于传统的解耦PID控制。     

基于小波神经网络的非线性系统预测控制研究

提出了一种基于小波基函数神经网络的未知非线性系统的一步超前预测控制算法。该方法利用小波网络学习这个非线性系统,并且应用小波神经网络模型作为系统的预测模型,控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得,通过对一非线性系统的仿真,表明了该方法的有效性。     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。     

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。     

Generalized predictive control based on neural networks

This paper presents the Generalized Predictive Control (GPC) strategy based on Artificial Neural Network (ANN) plant model. To obtain the step and the free process responses which are needed in the generalized predictive control strategy we iteratively use a multilayer feedforward ANN as a one-step-ahead predictor. A bioprocess was chosen as a realistic nonlinear SISO system to demonstrate the feasibility and the performance of this control scheme. A comparison was made between our approach and the adaptive GPC (AGPC).     

基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.     

基于小波神经网络的云模型

云模型是一种基于语言规则的不确定性推理系统.为了提高辨识精度通常需要增加规则数目,这样在多维输入的情况下容易形成"维数灾".为了解决此问题,利用小波神经网络代替传统云模型的后件隶属云,建立了一种基于小波神经网络的云模型(WNCM).详细分析了WNCM的系统结构,同时给出了参数和结构辨识算法.仿真结果以及与其它方法的对比分析表明,WNCM具有较强的非线性函数逼近能力,在不增加推理规则的前提下,可以实现对系统的精确辨识.     

城市交通信号的ANN自校正预测控制

提出一种基于人工神经网络的城市交通信号的自校正预测控制方法.充分考虑相邻交叉路口之间交通流的强耦合性,在此基础上建立关于队长的交通模型;其中,受控路口下一周期到达的车辆数用人工神经网络(ANN)来预测;通过该ANN还可获得确定最佳周期长度所需要的交通参量,因此还可预测下一周期的长度;上述预测值均用实测信息进行反馈校正,在此基础上即可给出带约束的预测控制算法,从而确定下一周期的控制策略.仿真实例表明该方法具有较好的控制效果.     

Model predictive control of an industrial packed bed reactor using neural networks

This paper discusses an industrial application of a multivariable nonlinear feedforward/feedback model predictive control where the model is given by a dynamic neural network. A multi-pass packed bed reactor temperature profile is modelled via recurrent neural networks using the backpropagation through time training algorithm. This model is then used in conjunction with an optimizer to build a nonlinear model predictive controller. Results show that, compared with conventional control schemes, the neural network model based controller can achieve tighter temperature control for disturbance rejection     

基于广义投影神经网络优化的模型预测控制*

为降低模型预测控制优化问题的计算复杂度,以时滞系统的模型预测控制问题作为研究对象,利用神经网络动态平衡点与优化问题解相对应的特点,提出一种基于广义投影神经网络的模型预测控制优化算法。首先,将模型预测控制优化问题描述为一个带约束的二次规划问题,进一步,通过广义投影神经网络模型进行在线优化。该方法充分发挥了神经网络并行、结构简单的优点,通过具体实例仿真,验证了本文算法的有效性与优越性。