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。     

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 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. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

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Hammerstei模型的非线性预测控制

本文提出了一种针对 Hammerstein模型的预测控制策略.该策略将Hammerstein模型中的无记忆非线性静态增益环节,改进成易于由中间变量求取控制量的环节,避免了求解高阶方程根的困难,又对线性环节采用线性系统的广义预测控制.由于引入了广义预测控制中多步预测的思想,抗噪声的能力显著提高.仿真结果验证了该策略的有效性.     

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．     

基于神经网络非线性模型的多级工作点阶跃响应扩展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,在不同工作点做阶跃响应,建立其局部线性模型,用隶属函数将局部线性模型加权得到全局线性模型,全局线性模型用于滚动优化,非线性模型用于预测系统输出和校正线性模型,实现非线性预测控制,仿真结果表明该方法控制效果良好,可满足实时要求。     

基于神经网络模型的空燃比非线性模型预测控制

采用基于径向基神经网络（RBFNN）模型的非线性模型预测控制方法,被控对象选择火花塞点火（SI）发动机的空燃比（AFR）高度非线性复杂系统,利用渐消记忆最小二乘法实现基于RBFNN的SI发动机AFR系统建模以及参数在线自适应更新。针对非线性模型预测控制中寻优问题,运用序列二次规划滤子算法对最优控制序列进行求解,并加入滤子技术避免了罚函数的使用。在相同的实验环境下,与PI控制算法和Volterra模型预测控制方法进行仿真对比实验,结果表明,所提算法的控制效果明显优于其他两种方法。     

基于Hammerstei模型的非线性预测控制

本文提出了一种针对Hammerstein模型的预测控制策略。该策略将Hammerstein模型中的无记忆非线性静态增益环节,改进成易于由中间变量求取控制量的环节,避免了求解高阶方程根的困难,又对线性环节采用线性系统的广义预测控制。由于引入了广义预测控制中多步预测的思想,抗噪声的能力显著提高。仿真结果验证了该策略的有效性。     

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.     

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。     

Simple Recurrent Neural Network‐Based Adaptive Predictive Control for Nonlinear Systems

Making use of the neural network universal approximation ability, a nonlinear predictive control scheme is studied in this paper. On the basis of a uniform structure of simple recurrent neural networks, a one‐step neural predictive controller (OSNPC) is designed. The whole closed‐loop system's asymptotic stability and passivity are discussed, and stable conditions for the learning rate are determined based on the Lyapunov stability theory for the whole neural system. The effectiveness of OSNPC is verified via exhaustive simulations.     

基于神经网络的广义非线性预测PID控制

针对一些复杂的非线性系统用基于线性模型的预测控制器控制效果不理想的问题，本文提出在利用前馈网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合非线性PID，用另一前馈神经网络作为控制器，实现对非线性系统的控制。经网络的在线辨识采用梯度法，仿真实验验证了方法的有效性。     

Long Range Predictive Control of Nonlinear Processes Based on Recurrent Neuro-Fuzzy Network Models

A recurrent neuro-fuzzy network-based nonlinear long range model predictive control strategy is proposed in this paper. The process operation is partitioned into several fuzzy operating regions. Within each region, a local linear model is used to model the process. The global model output is obtained through the centre of gravity defuzzification. Based upon a neuro-fuzzy network model, a nonlinear model-based predictive controller can be developed by combining several local linear model-based predictive controllers which usually have analytical solutions. This strategy avoids the time consuming numerical optimisation procedure, and the uncertainty in convergence to the global optimum which are typically seen in conventional nonlinear model-based predictive control strategies. Furthermore, control actions obtained based on local incremental models contain integration actions which can nat-urally eliminate static control offsets. The technique is demonstrated by an application to the modelling and control of liquid level in a water tank.     

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。     

管式加热炉多模型神经网络预测控制

管式加热炉具有典型的非线性、多变量、大时滞、强耦合和时变特性,传统的控制策略很难获得理想的控制性能。为此,提出了基于一类多模型的自适应神经网络预测控制方法,首先基于不同负荷下加热炉的运行情况建立多个自适应神经网络模型,预测变负荷、大扰动时的加热炉输入输出状况,然后通过自适应调整神经网络模型的结构和参数跟踪加热炉由于参数时变或其他干扰引起的系统漂移,最后应用粒子群算法对基于多模型自适应神经网络进行滚动优化,获得加热炉操作变量的次优控制律。此方法可以有效地跟踪多路进料、多燃烧器加热炉的控制指标,提高了加热炉的整体热效率,并且能够节约燃料,减少温室气体排放。所开发的控制系统成功应用于某炼厂常减压加热炉装置,取得了良好的效果。     

基于BP网络模型的非线性预测控制策略研究

提出了一种基于神经网络模型的非线性多步预测控制策略。预测器和控制器由一个BP网络构成。在整个过程中,首先利用一个BP网络构造一个非线性多步预测模型,根据被控对象输出与网络实际输出之间的误差采用改进的BP算法修改网络权值,以逐步建立合理的多步预测模型。然后,根据网络的多步预测输出序列与设定值序列的偏差构造性能指标函数,根据性能指标函数采用自适应变步长梯度法修改控制律。仿真结果表明了该策略的有效性。