基于人工神经元网络模型的预测控制研究

研究了基于人工神经元网络模型的非线性预测控制，所采用的网络为一种将线性模型与多层前向网络相结合的ＤＬＦ网络，仿真结果表明，该“混合网络”易训练，收敛速度可大大加快，在ＤＬＦ模型的基础上，本文研究了一种非线性预测控制算法，它的显著特点是在线计算量小。对于一非线性过程－球形罐液位的仿真结果表明，基于ＤＬＦ的非线性预测控制效果颇佳。     

AQM中基于神经网络自适应的PID控制器

将神经网络和PID控制器有机结合,形成一种基于RBF网络在线辨识、单神经元网络在线整定的自适应PID控制器,用于对主动队列管理（AQM）的拥塞控制.仿真结果表明,该控制器对负载队列的控制效果明显优于传统PID控制器.     

基于递归神经网络的多变量系统预测控制

针对线性PID控制器系数难以整定的问题，构造了一种用神经网络实现的非线性PID控制器．多个具有相同结构的非线性PID控制器并联，对多变量系统实现解耦控制器．结合预测控制的思想，提出两种控制方案．第一种是在递归多步预测的基础上，在广义最小方差目标函数下实现控制，第二种利用多步预测目标函数在线修正解耦控制器的权值．仿真实验表明这两种方法的有效性．     

CSTR的非线性预测控制

对于像ＣＳＴＲ化学反应器的控制，由于其过程本身的严重非线性而变得十分困难，本文提出一种采用Ｈａｍｍｅｒｔｅｉｎ模型的预测控制方法来控制上述非线性过程。Ｈａｍｍｅｒｓｔｅｉｎ模型采用两种方法进行辩识，联立辩识法与序贯辩识法，本文特点地提出一种改进型Ｈａｍｍｅｒｔｅｉｎ模型，用于克服常规Ｈａｍｍｅｒｓｔｅｉｎ模型在控制器设计时的不足之处，对ＣＳＴＲ反应器之仿真结果表明，基于上述两种Ｈａｍｍｅｒｓｔｅｉ     

基于Hammerstein模型的连续搅拌反应釜非线性预测控制

该文针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于最小二乘支持向量机Hammerstein模型的非线性预测控制方法。Hammerstein模型的非线性环节采用最小二乘支持向量机逼近,线性环节则采用外因输入自回归模式(ARX)结构。基于此模型结构设计非线性模型预测控制器,将非线性预测控制问题转化为线性模型的预测控制和非线性模型的求逆问题,进而给出了预测控制律以及非线性环节逆模型的构造方法。对CSTR的仿真结果表明:与传统的非线性模型预测控制以及PI控制器相比,该文方法精度更高,能够有效跟踪控制反应物浓度。     

基于RBF-ARX模型的预测控制

基于RBF-ARX模型的预测控制是针对非线性系统而提出的一种控制方法。本文介绍了基于RBF-ARX模型的预测控制器的结构和预测控制策略,证明了该方法在非线性系统建模和辨识中的有效性。     

Application research of wavelet neural networks in proces control

非线性过程的建模和控制问题尚无通用的模型结构和方法可用于过程控制。结合小波和神经网络方法进行过程控制的通用模型和方法的研究,提出了一种仅用尺度函数逼近的小波神经网络模型,并用它来实现非线性预测控制方案。该模型能用线性最小二乘方法进行拟合,因而具有易于实现和通用的优点。由于简化了在线优化方法,所提出的非线性预测控制方案已在线实现。用该方法进行了两个非线性系统的模型辨识和一个双线性系统的控制仿真,模型的通用性、辨识和控制方法的简单易用和仿真结果表明,所提出的方案对过程工业和非线性、高阶系统有很好的实用性,有着比标准ＰＩＤ控制器好得多的控制效果。     

小波神经网络在过程控制中的应用研究

非线性过程的建模和控制问题尚无通用的模型结构和方法可用于过程控制.结合小波和神经网络方法进行过程控制的通用模型和方法的研究,提出了一种仅用尺度函数逼近的小波神经网络模型,并用它来实现非线性预测控制方案.该模型能用线性最小二乘方法进行拟合,因而具有易于实现和通用的优点.由于简化了在线优化方法,所提出的非线性预测控制方案已在线实现.用该方法进行了两个非线性系统的模型辨识和一个双线性系统的控制仿真,模型的通用性、辨识和控制方法的简单易用和仿真结果表明,所提出的方案对过程工业和非线性、高阶系统有很好的实用性,有着比标准PID控制器好得多的控制效果.     

基于CRAIMA模型的核反应堆功率广义预测控制

为控制反应堆功率负荷跟踪变化,基于预测控制的原理设计了一种适用于核反应堆功率非线性过程的预测控制方法.以点堆动力学方程为基础建立了核反应堆功率数学模型,为方便广义预测控制器的设计,将此数学模型转换成受控自回归积分滑动平均模型(CARIMA).采用广义预测控制方法设计了反应堆功率控制器,对所设计的控制器性能进行了仿真验证.仿真结果表明,在功率观测期间存在1%额定功率的观测噪声的情况下,功率输出能够快速跟踪期望功率,并且功率观测带来的扰动对于功率实际运行影响较小,说明此控制器能够消除不确定干扰和非线性因素对系统的影响,保证反应堆功率系统的稳态精度和动态品质,能够应用于核反应堆功率控制系统中,并且具有优良的控制效果.     

基于自校正模型的非线性系统多模型预测控制

针对化工过程某些非线性系统的不对称动态特性,提出了一种基于自校正模型的多模型预测控制算法.在平衡点附近建立线性模型,利用当前工作点,通过二阶泰勒展开校正模型参数,补偿非线性不对称动态特性,形成了非线性系统的自校正多模型描述.以基于模型输出偏差的切换指标函数作为模型切换准则,结合状态反馈预测控制,构成了多模型预测控制器.pH值控制的仿真结果验证了该算法的有效性.     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

神经网络控制系统仿真

利用基于神经网络修正误差ＢＰ学习算法的多层网络和间接学习或专门学习的动态逆特性控制方法＾［１］编制的神经网络控制系统的仿真软件（ＳＣＳＢＮＮ），给出了调节时间和最大超调量与神经网络中间层节点数的关系曲线，同时给出了各种学习率和神经元作用函数增益的响应曲线。ＳＣＳＢＮＮ也可用于神经网络非线性控制系统。仿真结果说明神经网络非线性控制系统具有良好的控制性能。     

基于Volterra基函数网络的自适应逆控制方法

提出了一种基于Ｖｏｌｔｅｒｒａ基函数（ＶＰＢＦ）网络的非线性系统自适应逆控制方法。对象和逆控制器各用一个ＶＰＢＦ网络表示,应用正交最小二乘算法进行离线网络结构确定和权值初始化,构造了一种动态归一化非线性最小均方（ＤＮＮＬＭＳ）权值更新算法,以进行网络权值的在线学习。仿真结果表明,该方法具有算法简单、学习速度快、鲁棒性能好等优点。     

一类耦合系统的直接自适应神经网络控制

针对一类具有未知常数控制增益的耦合大系统，根据滑模控制原理，利用多层神经网络的逼近性质，提出了一种直接自适应滑模控制器的设计方案．通过在线调节神经网络的连接权、滑模控制增益，实现了对动态不确定性及建模误差的自适应补偿．利用李亚普诺夫方法，证明了自适应控制系统是全局稳定的，跟踪误差收敛到零．     

基于广义预测控制的对角递归神经网络控制器

提出一种基于广义预测控制的对角递归神经网络控制器，并给出该神经网络控制器和辨识器的学习率范围．仿真实验表明，所采用的神经网络控制结构适合于带纯时延的未知的非线性被控对象的广义预测控制，同时能有效地改善神经网络学习的收敛性．     

连续发酵过程的神经网络预测和控制

给出了神经网络趋化性算法的一种新的实现策略，在此基础上，提出了一种动态递归神经网络建模方法和一种控制作用受限的自学习非线性控制方法。将其用于连续搅拌签式发酵器的状态变量的在线预测和优化控制，仿真结果表明，预测精度高，控制效果好，具有强抗扰和强鲁棒性。在不知道生化过程模型结构的情况下，神经网络模型，可取很容易地通过在线或离线学习到高度复杂的非线性生化过程的输入．输出关系。对于经过最优操作点，稳态增益的符号会发生变化的这类难以控制的生化过程，神经网络非线性控制策略，可以使生化反应器始终维持在最优状况。本方法有望在实际工业过程中得到应用。     

一种基于神经网络的内模控制方法及其应用

根据具有非线性、强耦合、不确定性过程的控制需要，提出了一种基于神经网络的内模控制方法，该方法充分利用神经 自学习及非线性逼近能力，建立非线性、强耦合、不确定性过程的动态模型及逆模型，采用这种方法对冷轧过程中带材全局板形进行仿真实验控制，取得了理想的控制效果。     

两电机同步系统的神经网络控制

在对两台感应电机同步系统模型分析的基础上,依据同步系统的结构特点和控制要求,结合人工神经网络的非线性映射、自适应、自学习等能力,提出一种新的基于神经网络的两电机同步系统控制方案,其中神经网络控制器由基于RBF网络整定的自适应PID控制器和神经元解耦补偿器两部分组成.两个自适应PID控制器分别对速度控制回路和张力控制回路进行自适应控制,使系统具有更强的适应能力、更好的实时性和鲁棒性;神经元解耦补偿器综合两控制回路的耦合作用,通过训练网络权值,补偿各回路之间的耦合影响,实现速度和张力的解耦.试验结果表明:采用神经网络控制方法可以实现两电机同步系统中速度和张力的解耦控制,系统具有良好的动静态性能.     

一种基于小波神经网络的自适应控制方法

提出了一种基于小波神经网络的自适应控制方法,该方法利用两个小波神经网络作为自适应系统的辩识器和控制器来构成自适应控制系统。由于小波函数具有紧支性以及神经网络的非线性映射能力,因而在所构成的控制系统中,辨识器能更准确地近似具有较强非线性被控对象的动态特性,控制器能产生较为复杂的控制规律。仿真结果表明,该系统比一般神经网络控制系统具有调节速度快和超调小等更好的控制效果。     

基于神经网络的非线性前馈补偿广义预测自校正控制器

采用多层前馈网络结构进行动态建模,并用Ｄａｖｉｄｏｎ最小二乘法作为在线学习算法,将辨识后得到的模型进行线性化．基于线性化模型设计广义预测控制器。将其与非线性前馈相结合,建立了一种适合于非线性系统的前馈补偿广义预测自校正控制器．仿真结果验证了本控制器对非线性系统控制的有效性