基于T-S模型的自适应模糊广义预测控制

对一类非线性系统,利用一种基于模糊规则的快速模糊辨识方法建立起系统的T—S模型,并基于该模型应用局部递推最小二乘方法根据采样值对模型参数进行在线修正,根据系统动态线性化模型采取广义预测控制策略,从而实现了基于T—S模糊模型的非线性系统自适应模糊预潮控制。与以往的模糊广义预测控制算法相比,此方法简单,而且较大地减少计算量,适合于在线控制。通过仿真研究验证所提方法的有效性。     

基于T-S模糊模型的状态反馈预测控制

将T-S模糊模型和状态反馈预测控制相结合,提出了一种基于T-S模糊模型的预测控制算法.该算法把T-S模糊模型作为预测模型得到状态和输出的预估值,并利用可测的过程变量对输出预估值进行反馈修正,然后利用最优控制理论,由修正后的预估值和给定值计算出控制整个系统的控制律.本文还对串级CSTR控制系统的不同的初态、设定值及干扰情况下进行了仿真,仿真结果表明了该方法的有效性和可行性.     

一种基于T-S模型的模糊预测控制

提出了一种基于T-S模型的模糊预测控制策略。T-S模糊模型用来描述对象的非线性动态特性,通过当前的工况参数实时在线的修正每一时刻的阶跃响应模型参数,将模糊模型作为常规线性预测控制DMC方法的预测模型,从而把T-S模型对复杂的非线性系统的良好描述特性和预测控制的滚动优化算法相结合,来实现利用常规线性预测控制策略对非线性系统的有效控制,有效地解决了复杂工业过程的强非线性问题。pH中和过程的仿真结果表明其性能明显优于传统的PID控制器。     

基于稳态非线性模型和线性ARX模型组合的非线性预测控制

通过点集映射来表示非线性系统的稳态模型,用系统的稳态增益来修正具有外界输入的线性自回归（AutoRegressive with eXternal input, ARX）模型的动态增益,提出了一种基于稳态非线性模型和线性ARX模型组合的非线性预测控制算法．该算法用递归最小二乘法在线辨识系统的动态模型参数,用序列二次规划算法求解目标函数．最后通过对典型化工非线性对象pH中和过程的仿真对本算法进行了验证．结果表明,本算法比广义预测控制算法具有更好的设定值跟踪性能和抗干扰能力．     

石墨化炉人工神经网络预测控制的研究

针对目前石墨化炉控温精度不高,时有裂纹废品出现的现状,为提高石墨电极质量,实现石墨化炉的精确控温问题,提出了石墨化炉神经网络预测控制策略。利用径向基函数神经网络建立了石墨化炉稳态模型;利用工业过程裸模化方法,建立了石墨化炉的动态模型,为进一步实现石墨化炉的神经网络预测控制,完成了至关重要的第一步。该石墨化炉神经网络模型,计算机仿真结果非常理想,拟和精度很高,完全可以作为下一步实现预测控制的模型。     

一种基于T-S模糊模型的自适应预测函数控制

针对离散时间非线性系统,提出了一种基于T-S模糊模型的自适应预测函数控制算法。该算法利用加权递推最小二乘法在线辨识T-S模糊模型后件参数,以克服模型失配对系统性能的影响。根据辨识得到的模型参数直接递推计算模型的预测输出,而不需要求解Diophantine方程,进而直接递推求解预测控制律,而不需要求解矩阵逆。仿真结果表明,该算法具有良好的跟踪性能和较强的鲁棒性。     

模糊预测控制在pH中和过程中的应用

针对pH中和过程,提出了一种基于T-S模型的模糊预测控制算法,以实现系统的滚动优化控制。T-S模糊模型的前件和后件参数分别采用模糊C均值聚类(FCM)和正交最小二乘法(OLS)进行离线或在线辨识。在每一个采样时刻以当前辨识出的T-S模型为基础实现系统的局部动态线性化,再根据线性化模型对pH过程实施广义预测控制(GPC),得到当前的控制量。仿真表明了该控制方法具有较小的超调性质,且在扰动作用下能快速跟踪到设定值,具有很强的鲁棒性。     

DE优化T-S模糊神经网络的交通流量预测

提出了一种差分进化算法优化T-S模糊神经网络预测交通流量的算法方法.该算法利用差分进化来弥补T-S模糊神经网络连接权值和阂值选择上的随机性缺陷,从而能发挥T-S模糊神经网络泛化的映射能力,而且能使T-S模糊神经网络具有较快的收敛性以及较强的学习能力.将该算法应用到实测交通流进行算法的有效性验证,并与传统的T-S模糊神经网络进行比较,仿真结果表明,该算法具有更好的非线性拟合能力和更高的预测准确性,在交通流量预测领域具备可行性和有效性.     

基于神经模糊模型的船舶航行广义预测控制

本文采用模糊神经网络对船舶航行进行建模并在此基础上，将模糊神经网络与广义预测控制算法相结合．对船舶航行进行控制．仿真结果表明了该方法有效性。     

基于Davidon最小二乘法的神经网络内模控制

为了将内模控制推广至非线性控制领域,本文将其与神经网络相结合,利用神经网络对任意非线性映射的逼近能力推导出一种能对非线性系统进行有效控制的神经网络内模控制器。在网络学习算法上采用收敛速度快的Ｄａｖｉｄｏｎ最小二乘法训练多层前馈神经网络,从而保证控制方案的实时性。仿真结果表明了该方法的有效性。     

Predictive functional control based on fuzzy T-S model for HVAC systems temperature control

In heating, ventilating and air-conditioning (HVAC) systems, there exist severe nonlinearity, time-varying nature, disturbances and uncertainties. A new predictive functional control based on Takagi-Sugeno (T-S) fuzzy model was proposed to control HVAC systems. The T-S fuzzy model of stabilized controlled process was obtained using the least squares method, then on the basis of global linear predictive model from T-S fuzzy model, the process was controlled by the predictive functional controller. Especially the feedback regulation part was developed to compensate uncertainties of fuzzy predictive model. Finally simulation test results in HVAC systems control applications showed that the proposed fuzzy model predictive functional control improves tracking effect and robustness. Compared with the conventional PID controller, this control strategy has the advantages of less overshoot and shorter setting time, etc.     

Predictive functional control based on fuzzy T-S model for HVAC systems temperature control

In heating, ventilating and air-conditioning （HVAC） systems, there exist severe nonlinearity, time-varying nature, disturbances and uncertainties. A new predictive functional control based on Takagi-Sugeno （T-S） fuzzy model was proposed to control HVAC systems. The T-S fuzzy model of stabilized controlled process was obtained using the least squares method, then on the basis of global linear predictive model from T-S fuzzy model, the process was controlled by the predictive functional controller. Especially the feedback regulation part was developed to compensate uncertainties of fuzzy predictive model. Finally simulation test results in HVAC systems control applications showed that the proposed fuzzy model predictive functional control improves tracking effect and robustness. Compared with the conventional PID controller, this control strategy has the advantages of less overshoot and shorter setting time, etc.     

微分改进RBF网络线性预测控制算法的研究

针对现有非线性系统辨识超调较大和预测控制计算量繁琐等问题,提出了改进的RBF神经网络线性预测控制算法.该方法通过在传统性能指标函数中增加误差微分项,以优化跟踪效果;利用辨识模型作为预测模型,对输出设定值进行线性逼近的反向优化,并实时给出优化控制量.该方法简化了传统预测控制算法,在加快寻优速度的同时,有效地抑制了超调.通过非线性系统仿真实例,验证了该方法的可行性和有效性.     

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。     

非线性系统基于T-S模型的广义预测控制

对一类非线性系统,采用一种快速的模糊辨识方法离线建立系统的T—S模型,在采样点处根据辨识模型进行动态线性化处理,进而采取广义预测控制策略,同时为了适应系统的不确定性和扰动引起的变化,进一步提高控制效果,提出以模糊补偿作为在线辅助修正的策略。仿真研究表明所提方法有效。     

基于模糊T-S模型的批过程建模与最优控制

基于模糊T-S模型,提出一种具有自学习能力的模糊方法用于批过程建模和最优控制.通过引入与均方误差相关的动态误差传递因子,使用改进的梯度下降法,本方法能够辨识模糊T-S预测模型.对于批过程的受限非线性最优控制,基于所辨识的预测模型,运用庞特里亚金最小值原理和平行分布补偿算法,本方法能够把一个复杂非线性系统最优控制设计问题转化为一些基于复杂T-S预测模型的局部线性系统的最优问题,从而给出一种有效和简单的模糊最优控制策略.所提方法用于一个半连续式反应器的建模和最优控制,仿真结果表明新方法是有效和准确的.     

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。