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。     

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。     

基于多模型的非线性系统广义预测控制

对于复杂的离散时间非线性系统，提出一种基于多模型的广义预测控制方法．通过在平衡点附近建立线性模型，并用径向基函数神经网络来补偿匹配误差，形成了非线性系统的多模型表示，然后采用模糊识别方法作为切换法则，并结合广义预测控制构成了多模型广义预测控制器．通过对连续发酵过程的计算机仿真，表明了该方法的有效性．     

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.     

结合LM算法的PID神经网络预测控制系统

针对工业过程中非线性系统的复杂控制和实时性问题,提出1种基于LM算法的PID神经网络预测控制器的设计方法.该方法在原有的神经网络预测控制基础上,引入了1种新的神经网络结构与学习算法来建立预测模型,并针对该模型采用神经网络逆动态控制方法进行滚动优化以实现下一步控制量的优化.仿真结果表明,该方法有结构简单、计算量小、响应速度快等特点.在一定程度上满足复杂工业过程控制中的实时性要求.     

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.     

变风量空调系统优化控制策略研究

变风量空调系统是多变量,大滞后、非线性和不确定性的系统,普通的模糊神经网络控制已难以满足其多变量动态控制的要求,为改善变风量空调系统控制性能,本文提出了一种小波模糊神经网络预测控制方法,实现变风量空调的温湿度有效控制.通过小波神经网络预测器在线建立被控对象的数学模型,并用模糊RBF神经网络控制器对所得到的信息在线修正,优化控制器参数,从而改善系统的控制效果.仿真结果表明,小波模糊神经网络预测控制具有很强的鲁棒性和自适应能力,控制精度高,控制效果好,安全可靠等优点,具有广泛的应用价值.     

一种神经网络自学习控制结构与算法

1　引言神经网络自学习控制代表性结果之一 [1 ] 是采用一个多层前馈网络 (对象仿真器 )辨识被控对象 ,采用另一个神经网络 (控制器 )学习控制仿真器后 ,再控制真实对象 .这个思想对于解决复杂工业过程对象优化控制问题具有一定意义 .但是 ,直接应用仍存在问题 :1)其中对象仿真     

冶金石灰窑燃烧过程模糊预测控制策略应用

冶金石灰窑燃烧温度和进程的控制是保证产品质量的关键,由于它属于非线性、大滞后的热工过程被控对象,常规的PID和Fuzzy以及单纯的预测控制方法难以达到满意的效果.通过对其煅烧过程涉及的物理和化学反应机理分析,阐述了石灰窑生产系统的非线性、多变量和多参数影响的复杂特性以及系统的控制目标,并根据仿真要求对燃烧控制系统的数学模型进了参数辨识.在此基础上,采用预测控制和模糊决策相结合的控制方案,通过仿真分析验证控制算法的有效性,并以工业现场套筒石灰窑为应用对象,投入实际控制运行,取得了良好的效果.     

神经网络类机理建模下的持续自学习控制

针对未知、时变复杂动力学系统在基于模型的控制中的动态建模问题, 本文采用前向全连接神经网络对动力学系统进行数据驱动下的非机理拟合建模. 通过动态线性化和归一化/反归一化数据处理, 基于前向传播算法, 将神经网络的网络拓扑计算过程转化成动力学系统机理模型的同构等价表达形式. 与基于模型的预测与反演控制相结合, 提出了神经网络类机理建模下的持续自学习控制方法, 探索了神经网络在动力学系统建模与控制中的可解释性问题. 以机械臂为控制对象的仿真结果表明, 神经网络类机理模型与机理模型在形式上同构, 在参数上近似或等价, 可用于控制系统控制品质的定性、定量分析. 持续自学习控制对非线性未知、时变复杂系统具有较好的动态适应能力.     

基于灰色系统模型的预测函数控制方法研究

以灰色系统模型为基础，建立了一种预测函数控制方法．分析了灰色系统建模、模型预测输出和控制量计算方程的求解．通过仿真结果表明，该算法具有鲁棒性好、跟踪快速和抑制干扰能力强等特点。     

一种新的预测控制算法：模糊预测控制算法*

将模糊控制与预测控制相结合，提出了一种基于被控对象一般形式的时间离散模型的模糊预测控制算法，并对控制算法的有效性进行了分析，仿真研究结果表明，该模糊预测控制算法既适用于线性对象，也可用于非线性对象的控制。     

基于网络的运动控制系统预测控制研究

针对一类基于网络的运动控制系统中存在的时延和丢包问题进行研究。对于网络运动控制系统存在数据时延和丢包的情况,建立网络运动控制系统模型。在此模型下,对预测函数控制算法进行分析,设计了预测函数控制产生器和数据延时预测补偿器,并研究相应的补偿策略。仿真分析表明算法的合理性和有效性。     

基于网络时滞补偿的模型预测控制

为了解决网络控制系统中不确定时滞、尤其是随机的长时延对控制性能造成的影响,提出了基于模型匹配和多步预测输出补偿的预测控制思想来改善控制性能。该算法通过采集到的传感器端至控制器端的时滞来估算控制器端至执行器端的时滞,并给出了传感器端和执行器端数据处理的算法,建立起与实际网络结构匹配的预测控制模型,采用多步预测输出来补偿控制量的传输滞后。该模型不依赖于网络参数和时滞分布特性,可根据不同对象选取合适的预测控制算法,适用于实时系统。通过基于倒立摆对象的仿真和控制实例验证了该算法能有效地改善控制性能。     

基于增量加权的预测函数控制

介绍了预测函数控制方法的主要思想和特点。针对通常的预测函数控制在优化求解的目标函数中仅含有输出误差的平方和序列,没有考虑控制增量的变化,通过在性能指标中对控制增量适当加权,提出了一种双值预测函数控制算法,提高了系统的稳定性,克服了系统的稳态偏差。在工业过程模型中,用Matlab软件进行了仿真研究,取得了良好的控制效果,表明该算法跟踪快、控制精度高、稳定性强,是一种比较有效的控制方法。     

预测控制定性综合理论的基本思路和研究现状

通过引入最优控制理论和Lyapunov方法, 预测控制的理论研究在最近十多年中发展迅速, 取得了丰硕成果. 本文总结了预测控制定性综合理论的基本思路, 回顾了近十年关于具有稳定性和性能保证的预测控制的主要研究成果, 并根据近年来预测控制研究的发展趋势, 指出高效预测控制的研究已逐渐成为这一领域研究的热点.     

广义预测控制系统的闭环分析

本文通过把广义预测控制转化为内模控制结构,导出了其中控制器、滤波器的定量表达,并在此基础上分析了系统的闭环动态特性、稳定性和鲁棒性。这些理论结果提供了设计广义预测控制系统的依据。     

基于并行支持向量机的多变量非线性模型预测控制

提出一种基于并行支持向量机的多变量系统非线性模型预测控制算法．首先,通过考虑输入、输出间的耦合,建立基于并行支持向量机的多步预测模型;然后,将该模型用于非线性预测控制,提出新的适用于并行预测模型的反馈校正策略,得到最优控制律．连续搅拌槽式反应器（CSTR）的控制仿真结果表明,该算法的性能优于基于并行神经网络的非线性模型预测控制和基于集成模型的非线性模型预测控制．     

RS+交织+卷积级联纠错码的FPGA实现

为了提高编解码速率，更好地满足实时收发系统的要求，本文提出了采用由纯硬件电路构成的现场可编程逻辑门阵列（Field Programmable Gate-Array，FPGA）取代CPU系统的纠错码策略．该策略先把RS（Reed Solomon)、交织、卷积编解码分别模块化，然后通过端口映射方式对它们进行逻辑组织以实现整个编解码的级联．分析表明，用FPGA构成的纠错码系统不仅使电路大大简化，稳定性得到极大提高，而且可编程逻辑器件的高智能化使整个系统的设计、调试周期大大缩短．     

Nonlinear predictive control for a NNARX hydro plant model

A neural network (NN)-based nonlinear predictive control (NPC) is described for control of turbine power with variation in gate position. The studied plant includes the tunnel, surge tank and penstock effect dynamics. Multilayer perceptron neural network is chosen to represent a neural network nonlinear autoregressive with exogenous signal model of hydro power plant. With the said NN model configuration, quasi-Newton and Levenberg–Marquardt iterative optimization algorithms are applied in order to determine optimal predictive control parameters. The controlled response is simulated on different amplitude step function and trapezoidal shape reference signal. The study also discusses comparison with an approximate predictive control approach, being linearized around operating points. It is shown that NPC strategy gives impressive results in comparison to the approximated one.