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。     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制     

非线性Hammerstein-Wiener模型辨识预测控制

为解决工业过程控制领域中非线性系统的模型辨识与预测控制问题,提出一种基于BP神经网络模型的预测控制策略,采用一种分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法建立非线性预测控制器.利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现了一种基于支持向量机Hammerstein-Wiener辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

多变量生物发酵过程的解耦控制

把非线性系统的逆系统方法与神经网络非线性辨识技术相结合 ,提出了一种基于神经网络逆系统的发酵过程多变量解耦控制策略 .当过程模型缺乏足够的先验知识时 ,所提出的解耦控制策略对多变量非线性连续发酵过程取得了良好的控制性能 .仿真结果表明 ,提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性 ,具有较强的鲁棒性 .克服了基于微分几何理论的逆系统解耦控制方案依赖于过程模型和对模型参数变化很敏感的缺点 .     

基于小波神经网络的非线性动态系统辨识

在小波神经网络的基础上提出了一种辨识非线性动态系统的方法．该方法有效地将系统辨识所需要的结构形式与多层神经网络及小波基函数所构成的分辨率信息处理过程相结合,建立了从数据到符号的自适应机制．仿真结果表明,该方法具有收敛速度快、逼近精度高、鲁棒性好等优点．     

多变量生物发酵过程的解耦控制

把非线性系统的逆系统方法与神经网络非线性辨识技术相结合，提出了一种基于神经网络逆系统的发酵过程多变量解耦控制策略．当过程模型缺乏足够的先验知识时，所提出的解耦控制策略对多变量非线性连续发酵过程取得了良好的控制性能．仿真结果表明，提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性，具有较强的鲁棒性．克服了基于微分几何理论的逆系统解耦控制方案依赖于过程模型和对模型参数变化很敏感的缺点．     

基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法．该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程，消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真，构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架．两则数据仿真表明，对于高度非线性系统，该算法可使系统估计的均方误差减少60％以上．     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

非线性主动噪声神经网络补偿控制

针对目前主动噪声控制方法需要对次级通道进行辨识,且辨识模型精确度严重影响控制效果的问题,提出一种基于神经网络前馈补偿的非线性主动噪声控制方法. 该方法利用神经网络的非线性函数逼近能力,将非线性次级通道作为被控对象,非线性主通道作为噪声模型,设计基于神经网络补偿的噪声控制系统. 该方法无需已知主通道和次级通道模型,且基于Lyapunov定理证明了控制系统的稳定性. 仿真结果表明了该方法的有效性.     

利用RBF神经网络实现聚合反应的内模控制

文中研究基于径向基(RBF)神经网络算法的内模控制策略在苯乙烯本体聚合反应相对分子质量分布控制领域的应用。利用神经网络对非线性系统的逼近能力，把内模控制推广到聚合反应过程质量指标控制这一非线性系统中。针对建模过程中存在的稳态误差，在训练数据中增加了部分静态数据，有效的提高了模型的验证精度，大大改善了由神经网络构成的内模控制器的控制精度，消除了系统余差。仿真结果证明，基于神经网络算法的内模控制策略达到了较好的控制质量。     

基于神经网络技术的间歇过程建模与优化控制方法

将整个间歇生产过程表达成梯形的神经网络群,利用实际操作数据对整个网络群进行学习。同时研究了具有滚动运算特征的在线优化策略,该法完全避免了非线性系统实时辩识和建立优化模型的困难。对发酵生产过程的仿真结果,表明本文方法是有效的。     

非线性振动控制的神经网络离散逆系统方法

针对非线性结构振动控制难以用线性控制方法精确控制的情况，提出神经网络离散逆系统方法．建立了结构的离散化模型，再用神经网络将非线性系统通过逆系统变换变为伪线性系统，对该伪线性系统可以用一般线性方法精确控制．该方法将非线性结构控制问题转化成了线性结构控制问题，使问题难度大大减小．对某非线性建筑结构振动作了控制仿真，实现了精确线性化，控制效果曲线与对线性结构控制效果曲线几乎完全吻合．神经网络离散逆系统方法发挥了神经网络和线性控制各自的优点，可用于强非线性结构的振动控制．     

基于动态递归神经网络的动态矩阵控制

给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征 ,容易实现并进行稳定性分析。利用训练好的网络作为预估模型 ,设计了基于DRNN的动态矩阵控制算法。仿真结果表明了权值调整算法和控制策略的有效性     

基于动态递归神经网络的自适应控制非线性系统研究

提出一种基于动态递归神经网络的自适应控制器 ,该控制器能通过自学习不断进行适应性控制 ,且结构简单 ,易于实现 .其主要特点是能够提供一个跟踪网络来辩识系统模型 ,进而确定控制器的网络参数 ,实现间接自适应神经网络控制 .经过对大量非线性系统的仿真研究 ,证明其具有良好的控制性能 .     

非线性系统的神经网络逆模型控制

利用神经网络逼近任意非线性的能力 ,将其与非线性逆系统相结合 ,对非线性系统的逆模型进行建模 ,对实现的伪线性系统设计自适应控制进行综合 ,动态神经网络在线消除系统的近似逆误差和正向模型的辨识误差 ,设计权值调整规律为 w∧·=-λ·eTPbΦ(r ,r· ,v)‖e‖ p >E0‖e‖ p >E,仿真结果表明其有效 .     

一种时变非线性对象神经网络PID控制的仿真

利用BP神经网络对被控对象进行了控制和辨识,提出了一种基于BP神经网络的PID控制器;给出了相应的控制算法;并对典型的参数时变非线性系统的控制进行了仿真研究。仿真结果表明,同传统PID控制器相比,神经网络PID控制器对于模型、环境具有较好的适应能力与较强的鲁棒性,证明了神经网络控制的优越性。