木粉聚醚分子量测定及结构分析

通过凝胶色谱 (GPC)分析 ,得到了木粉聚醚分子量 ,其数均分子量为 2 85 3,重均分子量为 2 6 5 6 ,大于常规聚醚的分子量 ,分散指数为 1.0 8,属于窄分布 .同时 ,借助木粉聚醚的红外光谱谱图 ,对其结构进行分析知 ,木粉聚醚具有和常规聚醚相似的分子结构 ,是一种含有多羟基、糖链和醚链的高聚物     

基于BP神经网络变参数设计的广义预测控制

针对广义预测控制算法中控制参数整定困难这一缺陷,提出了一种基于BP神经网络变参数设计的广义预测控制算法,实现了广义预测控制中的输出柔化系数α和控制增量加权系数λ的在线调整。仿真结果表明,该算法无论在跟踪性能、控制精度及鲁棒性上,均优于固定参数设计的广义预测控制算法,并对干扰有一定的抑制作用。     

一种非线性系统的鲁棒型预测控制算法

提出一种基于神经网络的鲁棒型广义预测控制(GPC)方法,该方法首先用神经网络对非线性系统进行辨识,然后在控制中将模型输出值与测量输出值进行综合,代替量测输出用于控制中,从而降低辨识器与控制器对未建模动态的敏感性,增强控制器的适应能力和鲁棒性.仿真结果表明:将本方法应用于非线性系统控制,对未建模动态具有较强的鲁棒性和控制能力.     

多变量非线性系统的有约束模糊预测控制

针对多变量非线性系统提出了一种带约束输入的广义预测控制(GPC)算法.首先对多变量非线性系统建立T-S模糊模型,利用模糊聚类算法和正交最小二乘算法对输入变量的模糊划分及后件部分的参数分别进行辨识,然后在每个采样点对系统进行局部动态线性化.根据得到的系统线性化模型设计GPC算法,该算法充分考虑了控制输入及其增量受约束的情况,而且不必求D iophantine方程,大大减小了计算量.仿真结果表明该算法能保证系统输出有效跟踪设定值,而且控制输入和控制增量均在其约束范围之内.     

一种非线性系统的鲁棒型预测控制算法

提出一种基于神经网络的鲁棒型广义预测控制（GPC）方法,该方法首先用神经网络对非线性系统进行辨识,然后在控制中将模型输出值与测量输出值进行综合,代替量测输出用于控制中,从而降低辨识器与控制器对未建模动态的敏感性,增强控制器的适应能力和鲁棒性.仿真结果表明：将本方法应用于非线性系统控制,对未建模动态具有较强的鲁棒性和控制能力.     

乙二胺改性聚乳酸溶液的性质

乙二胺改性聚乳酸(EMPLA)是一种具有支化结构的新型生物材料。文中采用GPC-MALLS技术对其在四氢呋喃(THF)中的分子量、分子量分布、半径、支化及其这些量之间的相互关系进行了分析与研究,结果表明:乙二胺改性聚乳酸在四氢呋喃中的折光指数增量dn/dc值为0.052 mL/g,第二维利系数A2为3.905e-3 mol mL/g2,重均分子量-Mw为5.753e 4,重均均方根旋转半径Rw为4.5 nm,-Mw与Rw的关系式为:Rw=0.608×-Mw0.316,通过与线性聚乳酸(PDLLA)的比较,能够得到具有与PDLLA相同分子量的EMPLA有较小的均方根旋转半径的结论,并能够推出EMPLA在四氢呋喃溶液中的分子构象为球形。     

GPC法研究异丁烯的阳离子聚合反应

用凝胶渗透色谱仪(GPC)来测定阳离子聚合法得到的聚异丁烯,可以验证电子对给予体吡啶对T—BA/TiCl_4/IB/CH_2Cl_2体系的阳离子聚合的影响。     

LS-SVM误差补偿的广义预测控制

广义预测控制（Generalized Predictive Control,GPC）汲取了DMC（Dynamic Matrix Control）、MAC（Model Algorithmic Control）中的多步预测优化策略,抗负载扰动、随机噪声、时延变化等能力强,且选取模型参数少,利于控制。然而,据研究发现GPC对模型失配问题有一定的局限性。最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）是在支持向量机的研究基础上发展而来的,具有良好的回归、分类功能。在认真学习LS-SVM原理的基础上,提出了基于LS-SVM误差补偿的广义预测控制,并选择两个模型进行了仿真实验。通过与常规GPC的比较,表明了该算法具有更优的控制性能。     

串联系统的多前馈-反馈广义预测控制

为了充分利用对象的可知信息以实现串联系统的最优控制，提出了串联系统的多前馈-反馈广义预测控制算法，该算法把系统的可知外部扰动作为系统的多输入变量，把可测量的中间变量作为系统的多输出变量，运用多变量广义预测控制的思想给出了算法的控制结构。实现了前馈控制与反馈控制的有机结合，仿真结果表明，该算法能极大地改善串联系统的抗干扰性和鲁棒性。     

参数化模型预测空间实现及递推预测算法

本文给出线性时不变离散系统的参数化模型的预测空间实现的表达式，利用该表达式将传统的参数化模型预测算法化为状态空间递推形式，可大大减小参数化模型预测的在线计算量。为工程上实现自适应参数化模型预测控制带来很大方便。