一种基于神经网络的鲁棒型预测控制算法

针对复杂工业过程中存在的时滞、强干扰的严重非线性控制对象,仿真研究了一种利用神经网络作为预测模型,遗传算法作为滚动优化策略的预测控制方法.在算法中为了提高辨识非线性系统的鲁棒性以及降低控制器对未建模动态的敏感性,引入了一种伪模型,即将系统实际输出与预测输出综合成的新的输出信号,由该信号代替量测输出.仿真结果表明对于非线性被控对象该方法具有良好的鲁捧性和跟踪性能,对于改善非线性预测控制不失为一种有益的尝试.     

基于改进的RBF神经网络在线辨识算法及其应用

针对径向基函数(RBF)神经网络用于非线性系统辨识时存在的问题，对径向基函数网络的拓扑结构作了改进，并给出了改进的径向基函数(MRBF)神经网络的中心选取方法和权值在线调整算法，最后用改进的径向基函数网络对一个典型工业对象(CSTR)进行了应用研究，结果表明方法有效。     

基于RBF网络的动力系统Lyapunov指数的计算方法

提出一种基于径向基函数(RBF)神经网络的动力系统Lyapunov指数计算方法，设计了一个RBF网络结构，推导了基于RBF网络的Lyapunov指数计算公式．仿真实验表明，与其它现有方法相比，此方法计算精度较高，收敛速度较快，而且只需要较少的样本数据量．本方法能更准确、更快速地计算动力系统的Lyapunov指数．     

基于RBF神经网络的改进多变量预测控制

针对一类多输入多输出非线性被控对象,提出一种基于单神经网络的预测控制算法,应用RBF神经网络对非线性系统进行辨识,并计算被控系统多步预测输出值.该方法通过对传统预测目标函数加以改进,给出一种带微分项的多步预测目标函数,通过迭代寻优实时给出优化控制量.该方法实时性好,简化了传统预测控制算法,加快了滚动寻优的速度,有效地抑制了系统惯性和输入时滞所带来的超调,减小了模型误差、干扰及不确定性对控制器的影响.仿真及应用结果表明了该方法的有效性.     

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。     

基于远程预报辨识的非线性广义预测控制算法

推导了基于远程预报辨识的非线性广义预测控制算法.该算法在辨识基于Hammer-stein模型的非线性过程时,采用了预测控制算法中远程预报的思想,并在广义预测控制器的设计上采用了新的优化指标,这就使辨识机制与控制机制有机地结合起来,对系统的阶次不确定有很好的鲁棒性.     

灰色广义预测控制算法及仿真研究

基于灰色系统模型, 构造了一种新的广义预测控制算法. 该算法仅在线估计两个参数, 不用求解Dio phantine方程. 从而大大减少了计算量, 增强了实时性. 仿真实验说明, 该算法单步和多步情况均可获得较好的控制跟踪效果.     

风机变桨距非线性预测控制算法

变桨控制技术是MW级大型变速变桨风力发电机组的核心控制技术之一,通过变桨控制可以保证风电机组输出功率恒定在额定功率附近.由于风轮的强非线性特性,采用常规的PID控制器往往面临参数难以设计以及参数缺乏自整定能力的问题.提出了基于遗传算法的变桨距非线性预测控制器设计方法,根据优化和反馈校正的预测控制思想,针对风轮非线性控制对象设计了一种基于智能搜索方法的带约束的非线性预测控制算法进行仿真.仿真结果表明算法对非线性对象控制中具有很好的约束预测控制性能.与传统PI算法相比,具有响应快速、超调小、抗干扰能力好的特点,并通过优化算法滚动局部寻优,减少了设计的工作量和提高了设计效率.     

非线性系统的RBF网络直接广义预测控制

针对广义预测控制(GPC)算法需要在线递推求解Diophantine方程及矩阵求逆等计算量大的缺陷,本文对参数未知非线性系统提出一种RBF网络的直接广义预测控制方法。该方法首先将非线性系统转化为时变线性系统,然后用三次样条基函数逼近系统广义误差中的时变系数,并基于广义误差估计值对控制器参数即网络权值和广义误差估计值中的未知向量进行自适应调整,然后利用RBF网络来逼近控制增量表达式。     

基于神经网络Smith预估器的预测控制

针对非线性系统时滞问题,给出了一种新型的单神经元Smith预测控制算法.神经网络的预测控制器由不完全微分的单神经元自适应PID控制器和神经网络的Smith预估器组成.预估器对输出进行多步预测,控制器超前动作以消除时滞对系统的影响.不完全微分的单神经元自适应PID控制器通过改进的Hebb学习规则实现其权值调节,通过权系数的在线调整实现自适应控制.仿真实验证明了该方法具有较快的响应速度和较好的响应性能.     

基于神经网络的迭代优化预测控制

针对时变的非线性系统,提出一种基于神经网络的迭代优化预测控制。它将传统的预测控制策略与神经网络逼近任息非线性函数的能力结合,预测系统未来输出,然后用迭代学习方法优化预测控制器,即通过一阶泰勒展开的方法,把非线性优化问题转化为线性优化问题。不仅简化计算,同时避免用神经网络优化控制器时,由于调节参数过多、涮前速度慢而导致系统闭环稳定性和鲁棒性差的问题。仿真结果表明,该控制方案具有良好的控制品质,并适应对象参数的变化,具有较强的鲁棒性和自适应性。     

基于改进的BP网络误差修正的广义预测控制

该文利用预测误差的历史数据,基于改进的BP神经网络,对系统的建模误差进行预测。该网络采用了修正激励函数的BP算法,预测性能好,能够克服标准BP算法中Sigmoid函数的不足,加快了网络的学习速度。并将其与模型预测相结合构成广义预测控制算法,有效地克服了模型失配的影响,提高了控制的速度,同时引入控制增量增益,利用这个自由度来提高闭环的稳定鲁棒性。仿真结果表明了该算法的有效性。     

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．     

一种改进的神经网络非线性预测控制

从建立神经网络非线性预测模型出发,针对BP网络存在收敛速度慢,容易陷入局部最小的缺点,该文在BFGS拟牛顿法的基础上,提出了一种基于并行拟牛顿优化算法的并行拟牛顿神经网络。该并行拟牛顿优化算法采用两个含有不同参数的拟牛顿校正公式,在每次迭代过程中,利用这两个不同的校正公式得到相应的搜索方向,并通过不精确搜索法求取最优步长,最后根据一性能指标取最优的一个搜索方向和相应的步长对网络各层之间的权值进行修正。Matlab仿真结果表明,同BP神经网络和BFGS拟牛顿神经网络相比,该神经网络具有收敛速度快、模型精度高的特点,更适合于实时非线性控制。     

一种改进的基于神经网络模式的PID控制研究

基于神经网络模式的PID控制是PID控制规律与神经网络的动态结合,本文分析了此控制的局限性,并提出了改进算法,扩大了此控制的适用范围。用Matlab软件对改进的算法进行仿真,结果证明改进的算法有很好的收敛效果,从实验上验证了算法的有效性。     

神经网络预测控制及其在二级倒立摆中的仿真

本文介绍了一种基于神经网络的预测控制算法,考虑到算法中复杂性能指标的寻优难以找到全局最优解,提出了一种在工作点附近线性化得到对象的瞬时ARIX模型,再利用GPC(广义预测控制)算法求得近似解,最后以其为初值进行寻优获得全局最优解的方法,提高了算法的性能。最后的二级倒立摆仿真验证了算法的可靠性。     

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。     

一种基于改进遗传算法的新型小波神经网研究

提出了一种基于改进遗传算法（Improved Genetic Algorithm , IGA）的新型BP小波神经网络，并通过异或问题和非线性辨识问题进行仿真实验。实验结果表明，基于改进遗传算法的BP小波网络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力，而且具有遗传算法全局快速寻优的特点，与简单遗传算法相比，在收敛快速性和稳定性方面都有了明显的改善。