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。     

一类时延神经网络的非线性分析

本文详细讨论了一类由两神经元藕合的时延网络系统,分析了该系统稳定、分叉 的条件,指出利用分叉稳定因子(延迟时间)可以进行分叉控制、极限环幅值控制等,并给出 了仿真的具体实例．     

一类非线性系统的神经网络预测控制

针对一类具有特殊模型的非线性系统本文提出了一种新型神经网络预测控制算法。该算法利用线性系统预测控制技术和神经网络的非线性映射及并行处理能力来求实际控制量，避免了解非线性方程和非线性预测控制所需的在线数值寻优计算，减少了计算量和计算时间。仿真结果表明了该算法的何效性。     

带两个不同时延神经网络的稳定性研究

讨论了带两个不同时延且有两个神经元系统的局部稳定性,得到了判定神经网络稳定性的一些准则,这些准则有的是与时延有关,而有的是与时延无关（这种情形也称为“无害时延”）;研究方法对于带不同时延且多个神经元网络的稳定性的研究有重要的指导意义。     

基于神经网络的时延预测算法研究

网络控制系统由于时延的存在,其稳定性通常难以保证,一般要求控制器能够准确预知系统的时延 值.网络形式的不同..时延的变化具有规律性或无序性.针对网络时延变化的不同情况,提出了利用线性神经网络和 RBF径向基函数网络技术对时延进行预测.通过对二者预测仿真结果的对比分析,得出了其各自进行时延预测的 适用条件.     

基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.     

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。     

基于神经网络的非线性系统的输出调节

非线性系统输出调节问题可解的充要条件是存在一个中心流形满足某个非线性偏微分方程。本文用多层前向神经网络求解该非线性偏微分方程，从而逼近非线性系统的中心流形。在此基础上，构造状态反馈控制律，实现非线性系统的输出调节。     

时延细胞神经网络的全局渐近稳定性

通过构造新的Lyapunov泛函,在Lyapunov泛函中巧妙引入可调的实参数,并结合不等式运用的一些技巧,讨论了时延细胞神经网络的全局渐近稳定性问题,得到了该模型的平衡点全局渐近稳定的一些新的充分条件。所得的结果改进推广了已有文献中相应的一些结论,并且可应用于以前所不能处理的若干情形。理论分析和数学推导表明,全局渐近稳定性的一个简单充分判据与时延是有关的。所得结果突出了时延对于细胞神经网络的全局渐近稳定性的影响,这对于设计带时延的细胞神经网络有着重要的参考价值。此外,通过实例说明了相应结果的应用,这在理论上和应用中都有着重要的意义。     

基于NNα阶逆的非线性大时延系统预测控制

针对较一般的模型未知非线性大时延系统,构造其ＮＮα阶递系统与原子系统复合成ＮＮα阶伪线性复合系统;然后将此复合系统作为被控对象,用线性预测控制方法实现有效控制,简化了预测控制器的设计,易于进行稳定性和稳态偏差分析。     

基于Internet的机器人控制中网络时延测试及分析

本文针对基于Internet的机器人控制,首先分析了Internet网络时间延迟的主要组 成及其基本特性,然后介绍了网络时延测试实验的结果及其结论,最后研究了网络时延预估 算法及其有效性．     

一类非线性不确定系统的神经网络控制

针对一类非线性不确定系统,提出了一种自适 应神经网络控制方案．被控系统是部分已知的,其中系统已知的动态特性被用来设计保证标 称模型稳定的反馈控制器,而基于神经网络的动态补偿器则用于补偿系统的非线性不确定性 ,从而可以保证系统输出跟踪误差渐近收敛于0．     

非线性系统的模型参考神经网络控制

提出了一种未知非线性动力学系统的神经网络控制策略，用动态多层ＢＰ网进行辨识，静态网进行控制，控制器结构简单，收敛快泛化能力强，仿真结果表明，该策略对几类非线性系统的控制是有效的，且适用于多值逆映射非线性系统，可用于实时控制。     

强非线性系统的一种快速神经网络控制策略

采用传统的神经网络逆模策略控制具有强非线性的系统,因其计算量过大导致在线实时性能不佳.本文提出一种新型快速径向基神经网络在线逆模控制策略,并利用锥度准则对控制系统的稳定性进行了理论分析.对强非线性对象的控制仿真结果表明,在保证控制精度的前提下,该算法大大提高了控制器运算的速度,且对扰动、时延、非线性及对象参数的摄动有较强的适应能力,具有较好的控制品质,适合应用于复杂工业过程控制器的设计.     

提高变型标准遗传算法收敛速度的混合法及其推广

针对即使是全局收敛的变型标准遗传算法ＶＣＧＡ［１］有时也会发生收敛速度变慢的问题，提出了ＶＣＧＡ和最陡下降法相结合的混合法ＨＶＣＳＤＡ．该方法增强了ＶＣＧＡ在接近全局最优解时的微调能力．还将ＨＶＣＳＤＡ推广到一类修正的ＶＣＧＡ上．仿真实例表明了ＨＶＣＳＤＡ及其推广能有效地提高收敛速度．对３０城市ＴＳＰ的仿真结果为６．８２２，要好于用ＴＡＢＵ得到的６．９９的结果［６］．     

仿射非线性系统神经网络自适应控制器的研究及其在机械手中的应用

本文提出了一种利用神经网络逼近具有不确定性及 随机干扰的仿射非线性系统的新算法,采用自适应控制率在线调节网络权值,并基于控制理 论选择控制量以削减噪声干扰．从理论上证明采用该算法后系统全局稳定性．最后将该算法 用于两连杆机械手轨迹跟踪,仿真结果表明该算法具有跟踪精度高,收敛速度快的优点．     

一种神经网络控制模型的研究与应用

为了有效利用样本的先验知识,探讨一种神经网络控制模型—AB网络模型。该模型在学习过程中不仅提高了收敛速度,也有效地避免了传统BP网络模型易陷入局部极小值的缺点。最后通过仿真测试,表明该模型具有更好的收敛性和稳定性,在实际系统中的应用也是可行的。     

一种径向基函数神经网络在线训练算法及其在非线性控制中的应用

针对现有径向基函数(RBF)神经网络训练算法存在的问题,给出了RBF神经网络的一种 在线训练算法,对这种在线训练算法所涉及到的各个方面进行了全面的分析．仿真表明所提 出的算法是非常有效的,它克服了以往算法的不足并具有很大的实用性．进一步将RBF神 经网络用于非线性控制,取得了良好的结果．     

神经网络的混沌运动与控制

本文采用一种由混沌神经元构成的联想记忆神经网络．以混沌神经网络为基础,研究其非线 性动力学特性、混沌吸引子轨迹以及对初始条件的敏感性, 实现混沌神经网络的动态联想记 忆功能．在网络输入发生较大变异情况下所发生的失忆,本文采用时空系统混沌控制的钉扎 反馈方法,使网络恢复记忆．上述研究通过对异步电动机故障的动态记忆和恢复控制的仿真 实验得到证实．本文研究结果表明,在国内外对神经网络混沌控制研究的热点中,时空系统 的钉扎反馈控制是一种值得推荐的方法;神经网络的混沌控制扩大了网络的容错性,进而提 高了混沌神经网络的实用性,这将在复杂模式识别,图象处理等工程上具有广阔的应用前景 ．     

高速公路动态交通系统的神经网络预测控制

提出一种高速公路动态交通系统的神经网络预测控制方法。根据高速公路的实际北景导出其非线性动态模型，利用神经网络及辨识的串并联结构来建立模型的映射，在此基础上给出控制变量带有上下界约束的预测控制算法。根据实测数据进行了仿真研究，结果表明算法是有效的，因而为解决高速公路的动态控制问题提出了一种新的方法。