一个基于神经网络模型的鲁棒自适应控制算法

对于具有不确定因素的离散非线性动态系统,通过校正神经网络预报器的输出,运用加权预报控制性能指标和网络辨识器模型局部线性化的思想,提出了一个间接鲁棒自适应神经网络控制算法,仿真研究证实了该控制策略的鲁棒性和有效性.     

基于观测器的鲁棒模型预测控制算法

对于含有未建模动态的输入受限离散时间线性系统,当系统状态不可测时,提出一种基于状态观测器的鲁棒模型预测控制算法。该算法采用双模型控制结构,将不变椭圆集同时应用于估计状态方程和误差方程,保证算法的稳定性和可行性,并同时给出系统稳定和可行的条件。     

基于神经网络的时间序列鲁棒预测

为了实现神经网络预测模型的便棒预测,提出一种基于非线性偏自相关的一般化预测模型辨识方法。该方法通过考察待预测时间序列的当前序列值对各阶历史序列的不可约自依赖,确定神经网络这类非线性自回归模型的自回归阶数。实现表明,该方法可有效地提高神经网络预测模型的鲁棒预测能力。     

衰减扰动下非线性预测控制系统的鲁棒稳定性

考虑一般形式的非线性预测控制系统,研究带终端约束的稳定预测控制策略在衰减扰动下的鲁棒稳定性问题,首先引入离散非线性系统的输入状态稳定性,然后针对上述预测控制策略得出了系统的稳定性结论。     

基于动态神经网络的非线性系统鲁棒观测器设计

基于动态神经对一类不确定非线性系统提出一种新的鲁棒观测器。其中无离线学习、持续激励和输出匹配条件等要求。仿真说明所提方法的有效性。     

一种基于衰减集结的鲁棒预测控制器

高效鲁棒预测控制 (ERPC) 是一种在线计算量较小, 且控制性能较好的鲁棒预测控制算法. 但采用单一椭圆不变集的设计方法存在保守性. 本文采用衰减集结策略, 通过离线设计在系统状态空间中投影彼此正交的两个椭圆不变集, 在线进行凸组合的方法设计 ERPC 控制器, 使系统初始可行域进一步扩大, 并在一定程度上改善了控制性能.     

一种基于H∞理论的鲁棒预测控制方法

融合H∞控制的鲁棒概念和预测控制的滚动优化原理,提出了一种全新的约束动态对策预测控制方法.对有状态和控制约束的不确定线性系统,证明了闭环系统的鲁棒稳定性并给出了鲁棒性条件.该方法同时具有H∞控制和预测控制的优点:鲁棒性和显式处理约束的能力.     

基于鲁棒一步集的Tube不变集鲁棒模型预测控制

针对一类干扰有界的输入和状态受约束线性离散系统,提出了一种基于鲁棒一步集的Tube不 变集鲁棒模型预测控制方法.首先采用多面体不变集离线设计方法得到基于多面体不变集序列的扩 展终端约束集;然后为了扩大鲁棒模型预测控制的初始状态允许区域,并提高系统的鲁棒性,在扩展终端约束集的基础上,通过引入鲁棒一步集并借助Tube不变集控制策略,设计了基于鲁棒一步集的鲁棒模型预测控制方法,并给出了算法的存在性和稳定性证明. 该方法不仅极大地扩大了初始状态允许区域,而且对有界干扰具有有效的抑制作用,使得受扰系统收敛到以原点为中心的最小鲁棒正不变集内.最后仿真验证了算法的有效性.     

基于动态神经网的非线性鲁棒辨识

研究了一类基于动态神经网络的未知非线性多变量系统的鲁棒辨识问题，用Ｌｙａｐｕｎｏｖ稳定性理论获得了具有保护策略的鲁棒调权律，从理论上证明了被辨识的系统是鲁榛 ，辨识误差按建模误差和未建模动态收敛到一个稳定区域，该策略的特点是不需要离线学习又不需要对象的状态完全可测，仿真结果验证了提出的动态网鲁棒辨识策略的有效性。     

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。     

一种基于PSO的自适应神经网络预测控制

针对非线性系统,提出了一种基于微粒群优化(PSO)的自适应神经网络预测控制方法.采用对角递归网络(DRNN)对非线性系统进行建模,并利用扩展卡尔曼滤波(EKF)递推估计算法在线计算网络模型参数的Jacobian矩阵以实现模型参数的自适应.利用PSO算法在线优化求解非线性系统的预测控制律,以克服传统基于梯度法的非线性规划方法求解预测控制律时对初始条件非常敏感的缺点.生化发酵过程的仿真结果表明,所提出的控制方法具有良好的跟踪能力和抗干扰能力.     

神经网络解耦预测函数控制

结合解耦思想研究多变量系统预测函数控制。通过引入神经网络补偿环节，对多变量系统解耦，在此基础上，对解耦后各子系统进行单变量预测函数控制，以确定各个控制量。同时基于系统脉冲传递函数，得到单变量PFC控制器的显式表达式。仿真表明，该算法有较好的跟踪特性，对解决多变量系统的优化和控制具有一定的适用性。     

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。     

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。     

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。     

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．     

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。     

基于神经网络误差修正的广义预测控制

本文基于ＢＰ结构神经网络，对系统的建模误差进行预测，并将其与模型预测相结合构成广义预测控制算法，目的在于抑制模型失配的影响，增强广义预测控制的鲁棒性；仿真结果表明了这一算法的有效性。     

基于WNN的两种优化结果在预测控制中的应用*

从优化小波神经网络的角度出发,对两种优化模型从理论上进行建模与推导;根椐预测控制的特点,提出离散小波神经网络模型GA分层优化方法及广义小波神经网络模型优化方法与预测控制相结合的新的应用途径.仿真结果证明了该方法的有效性和可行性,能使实际工程中的预测控制结果得到优化.