基于支持向量机的预测函数控制

针对化工过程存在的强非线性生产过程，提出了基于支持向量机技术预测模型的预测函数控制方法。利用支持向量回归的方法对非线性过程进行建模，采用预测函数控制方法进行控制。针对具有强非线性连续搅拌反应釜过程进行仿真，仿真结果表明：支持向量机的建模方法可以有效地解决强非线性的化工过程的建模问题，并且具有较好的泛化能力，基于这种预测模型的预测函数控制具有较好的控制性能和良好的跟踪能力及抗干扰能力。     

具有Hammerstein形式的非线性系统广义预测控制

本文提出了具有Ｈａｍｍｅｒｓｔｅｉｎ形式的非线性系统广义预测控制方法，分析了当控制水平等于１时闭环系统的稳定性，同时还提出了使用线性估计器的非线性自适应广义预测控制算法。仿真结果表明了算法的有效性。     

Hammerstein模型非线性预测控制的研究

对于pH中和过程的控制,由于其本身具有严重的非线性特性,因而对于此过程的控制十分困难.鉴于此,本文提出了Hammerstein系统非线性预测控制方法,并应用仿真和试验的方法分别实现了对pH中和非线性过程的控制.研究结果表明,Hammerstein模型非线性预测控制具有良好的控制效果和很强的稳定性,且优于常用的PID控制方法.     

基于非线性(Wiener)模型自适应预测函数控制

针对一类非线性对象提出了基于Wiener模型的非线性系统自适应预测函数控制方法。利用带遗忘因子的递推最小二乘算法在线辨识得到Wiener模型核参数，根据所得模型参数直接计算得到非线性预测函数控制律，而且使控制律计算容易，适用于具有一定非线性的被控对象，并能适应被控对象的环境变化。     

基于最优保留遗传算法的非线性模糊预测控制

针对传统的模型预测控制不能很好解决具有严重非线性、不确定性的对象或过程的控制问题，提出将模糊模型用于描述对象的非线性动态特性，通过将模糊模型的输出反馈作为模型输入，从而构成了模糊多步预测器。采用一种收敛精度高、速度快的具有最优保留特性遗传算法(EGA)，依据模型预测输出在线滚动求解控制律的非线性预测控制算法。仿真结果表明该算法对一类非线性系统具有较快的响应速度和较强的抗干扰能力。     

基于支持向量机的非线性预测控制技术

探讨了利用支持向量机进行非线性系统辨识的方法,并将支持向量机模型应用到非线性预测控制,提出了基于支持向量机模型的非线性预测控制算法.对一个CSTR反应器的仿真表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.基于支持向量机的预测控制具有很好的控制性能,为通用非线性控制提供了一种新的控制思路.􀁽     

基于L S-SVM 的非线性预测控制技术

探讨了利用最小二乘支持向量机(LS—SVM)进行非线性系统辨识的方法，LS—SVM用等式约束代替传统支持向量机中不等式约束，求解过程从解QP问题变成解一组等式方程，将得到的LS—SVM模型应用到非线性预测控制，提出了基于LS—SVM模型的非线性预测控制算法，通过CSTR过程仿真表明，最小二乘支持向量机学习速度快，在小样本情况下具有良好的非线性建模和泛化能力，基于LS—SVM的预测控制算法具有很好的控制性能。     

基于RBF模糊神经网络模型的广义预测控制

广义预测控制对线性系统具有较好的控制效果，为将它应用到非线性系统，本文提出一种将RBF模糊神经网络与广义预测控制相结合的方法，仿真证明控制有效。     

基于在线支持向量回归的非线性模型预测控制方法

针对非线性模型预测控制中离线模型难以适应非线性对象实时变化的缺点, 提出一种基于在线支持向量回归的非线性模型预测控制方法. 该方法通过在线支持向量回归离线训练与在线学习相结合的方式, 建立具有在线校正特性的预测模型, 同时采用最速下降原理滚动优化非线性模型预测控制的目标函数, 求得多步控制量. 通过对非线性对象的控制结果表明, 所提出方法有效且具有良好的自适应性.

     

基于最优保留遗传算法的非线性模糊预测控制

针对传统的模型预测控制不能很好解决具有严重非线性、不确定性的对象或过程的控制问题。提出将模糊模型用于描述对象的非线性动态特性。通过将模糊模型的输出反馈回来作为模型输入，从而构成了模糊多步预测器，采用一种收敛精度高、速度快的具有最优保留特性遗传算法(EGA)依据模型预测输出在线滚动求解控制律的非线性预测控制算法。仿真结果表明该算法对一类非线性系统具有较快的响应速度和较强的抗干扰能力。     

非线性系统RBF神经网络多步预测控制

针对较强非线性的控制问题, 提出一种以RBF 神经网络为模型的多步预测控制方法. 构建多步预测模型, 并给出预测误差关于控制序列的雅可比矩阵的计算方法. 利用Levenberg-Marquardt(L-M) 算法设计滚动优化策略, 过误差修正参考输入的方法实现了反馈校正, 证明了控制系统的稳定性. 仿真结果表明所提出的控制方法效果较好.

     

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．     

多步预测性能指标函数下的神经网络逆动态控制方法

将预测控制与神经网络逆动态控制相结合,提出了多步预测性能指标函数下的神经网络逆动态控制方法。该方法用多步预测性能指标函数训练神经网络逆动态控制器的权值,使整个系统具有预测控制的特点,有比通常的神经网络逆动态控制快得多的响应速度和更好的响应性能。     

非线性系统多步预测控制的复合神经网络实现

提出一种基于神经网络的非线性多步预测控制,采用由线性网络和动态递归神经网络构成的复合神经网络。在此基础上将线性系统的广义预测控制器扩展为非线性系统的多步预测控制器。通过对非线性过程ＣＳＴＲ的仿真表明,该方法的稳定性和鲁棒性明显优于线性ＤＭＣ预测控制。     

Multi-step prediction error approach for controller performance monitoring

Performance monitoring of model predictive control (MPC) systems has received a great interest from both academia and industry. In recent years some novel approaches for multivariate control performance monitoring have been developed without the requirement of process models or interactor matrices. Among them the prediction error approach has been shown promising, but it is based on single-step prediction and may not be compatible with the MPC objective that is based on multi-step prediction. This paper develops a multi-step prediction error approach for performance monitoring of model predictive control systems, and demonstrates its application in a real industrial MPC performance monitoring and diagnosis problem.     

基于Taylor 逼近的非线性系统P ID 型多步预测控制

基于局部递归神经网络对非线性系统进行递归多步向前预测，将系统实际多步向前预测值按泰勒公式在其递归预测值上展开，实现对非线性系统多步预测输出值的二次逼近，减少了预测误差，进而通过对PID型多步预测性能指标函数极小化求取控制量，控制器与广义预测控制器结构相似，其参数通过神经网络在线辨识获得，仿真实验表明了该方法的有效性。     

一种基于时间差分算法的神经网络预测控制系统

为提高多步预测控制的计算效率，提出一种基于时间差分算法的Elman网络多步预测控制器的设计方法．用Elman网络对非线性系统输出值进行直接多步预估，并针对BP算法无法对网络权值的实时调整进行渐进计算的缺点，提出了将时间差分法和BP算法相结合的新的网络学习算法；为简化计算，采用单值预测控制算法对非线性系统进行滚动优化以实现对下一步控制量的优化计算．理论分析与仿真结果表明，该方法具有结构简单、运算量小、速度快的特点，可应用于实时快速系统，并且对系统参数的变化具有一定的自适应性．     

污水处理中PH智能预测控制研究

中和过程作为污水处理控制问题的关键环节,其控制质量的好坏直接影响污水处理的合格程度;污水处理的中和过程是一个具有大时滞、非线性、强干扰的复杂控制对象,采用常规的控制技术对PH值进行精密控制难以取得理想效果;针对这一问题进行研究分析,提出了一种基于单神经元PID算法的多步预测智能控制方法,神经网络用于辨识对象的预测模型,控制算法实现非线性控制;研究结果表明,新的控制方法能够有效地提高控制精度,具有较好的动态性能和较强的鲁棒性。