基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。     

基于神经网络的时变参数系统仿真优化方法

时变参数系统的仿真优化问题是一个新兴的研究课题,相比传统仿真优化,时变参数系统对实时性的要求高,而对解的精度要求不高。本文提出将该问题转换为一类神经网络预测问题,并从理论上证明了该方法的可行性。首先,线下构建神经网络模型描述输入参数到最优解的映射关系;然后,利用训练好的神经网络模型线上实时预测最优解。考虑到边界样本对最优解拟合曲面的影响,提出构建中心样本和边界样本,分别训练两个神经网络模型。仿真和实例表明,该方法能够随时变参数的变化实时给出满意解,从而为求解时变参数仿真优化问题提供一种新的解决思路。     

不确定滞后系统的灰色预测神经元控制

针对不确定滞后系统建模和控制方面的困难,提出了利用神经网络对不确定滞后系统的滞后时间进行辨识,并在此基础上采用变步长灰色预测方法对不确定滞后系统的行为进行预测,同时结合单神经元控制器克服辨识误差、预测误差、系统干扰等不确定因素带来的影响,从而提高系统的自适应性。仿真结果表明,控制系统运行平稳,受不确定因素的影响较小,说明这种方法对于不确定的时变滞后系统具有良好的控制效果。     

基于干扰观测器的轮廓误差耦合控制研究

针对多轴运动的轮廓误差，提出了基于干扰观测器的轮廓误差耦合控制。该方法通过构造干扰观测器来预测各单轴系统的内部和外部干扰，并根据预测到的干扰信息对各轴进行补偿以消除干扰对系统的影响。考虑到系统的动态特性，拟采用模糊神经网络对干扰信号进行动态分配，并依据轮廓误差耦合控制思想补偿到各轴，达到轮廓误差最小控制。而文章采用遗传算法对网络进行训练以加快网络训练速度，且不易陷入局部最小。仿真结果证明其可行性与有效性。     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

基于在线支持向量机和遗传算法的预测控制

针对非线性系统模型预测控制中预测模型容易失配且目标函数难以求解的问题,本文提出一种基于在线支持向量机建模和遗传算法滚动优化的模型预测控制方法。该方法利用在线支持向量机建立被控对象的非线性模型,在线支持向量机是一种迭代学习的支持向量机训练算法,可以进行在线训练,从而实现模型在线自校正;并且通过遗传算法求解目标函数的最优控制量,完成滚动优化。对非线性系统的仿真研究结果表明,该方法有效且具有良好的自适性。     

一种神经网络学习控制的仿真研究

提出了一神经网络学习控制器，两个递归神经网分别用于对象模型辨识和学习控制，在对象模型具有非线性时变或未知情况下，本控制方法能准确地跟踪期望的轨迹，对所提出的方法进行了仿真研究，给出了仿真结果     

模糊神经网络自学习控制器及其应用

本文提出了一种模糊神经网络自学习控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法。经实验仿真结果表明这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

基于RBF神经网络的多变量系统PID解耦控制

针对工业生产过程中的多变量耦合系统采用传统控制方法不能达到满意的效果,提出了一种基于神经网络的PID解耦控制方案。在实验研究中,采用改进型动态BRF神经网络辨识器,在线辨识多变量系统的非线性时变模型,同时自动调整PID控制器各项参数,最终实现对系统的智能化解耦控制。给出了BRF神经网络的拓扑结构和算法,并对一组二变量强耦合时变系统的控制过程进行了计算机仿真,结果表明:基于BRF神经网络的PID控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。该设计方案使得解耦后的多变量系统具备了良好的动、静态特性。     

模糊遗传滚动优化的LS-SVM预测控制研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习建立其预测模型;基于模糊遗传算法完成非线性预测控制的滚动优化过程。仿真结果表明基于该方法的非线性系统预测控制比基于RBF神经网络的预测控制具有更好的控制效果。     

具有控制约束的不确定离散时滞系统最优保性能控制

对一类具有范数有界时变参数不确定性和控制输入约束的离散时滞系统,研究其最优保性能状态反馈控制律的设计问题.基于线性矩阵不等式处理方法,导出了保性能控制律存在的条件,并证明了该条件等价于一组线性矩阵不等式的可行性问题,并用这组线性矩阵不等式的可行解给出了保性能控制律的一个参数化表示.进而,通过建立并求解一个凸优化问题,给出了具有控制约束的最优保性能控制律设计方法.     

基于T-S模型的非线性系统非脆弱保性能模糊控制

针对一类用T-S模糊模型描述的非线性系统,采用状态反馈的并行分布补偿方法研究其非脆弱保性能模糊控制问题,使得在控制器存在可加性摄动的情况下,其闭环性能指标值低于确定的上界。利用线性矩阵不等式处理方法,导出了非脆弱保性能模糊控制律的存在条件。通过建立和求解一个凸优化问题,给出了最优非脆弱保性能模糊控制律的设计方法,并用此方法设计一级倒立摆的非脆弱模糊控制律。仿真结果表明了方法的有效性。     

神经网络模糊预测优化控制在VAV系统中的应用

将神经网络、模糊控制与非线性预测优化控制结合起来,提出了神经网络模糊预测优化控制方法,采用前馈神经网络作为预测模型,利用贝叶斯正则化方法对模型进行了辨识,以自调整模糊控制器作为优化控制器,通过多步预测方式,系统的优化性能指标综合考虑温度偏差最小和能耗最小这两方面因素,应用该方法对制冷工况变风量空调系统的送风温度和回风温度（室内温度）进行了仿真控制研究。控制结果表明了该方法的有效性,控制效果良好,并且可以达到节省能耗的目的。

Abstract：

Artificial neural network,fuzzy control and nonlinear optimal predictive control were combined.The algorithm of neural network nonlinear fuzzy predictive optimal control was proposed.Feed-forward neural network was adopted as the predictive model of the cooling VAV system.The model was identified by the method of Bayesian regularization.The self-adjusting fuzzy controller was adopted as optimal controller.The algorithm was applied in the cooling VAV system with multi-step predictive method.Indoor temperature and supply air temperature was controlled aimed at minimum temperature deviation and minimum energy consumption by this scheme in Matlab.Simulation results illustrate the effectiveness of this technique,and in the meantime illustrate that this technique can save energy consumption.     

飞行器最优时滞反馈控制器设计

在设计飞行器最优反馈控制时,针对系统具有控制时滞的特性,采用连续状态变换思想,将具有时滞的控制系统转化为无时滞的控制系统,求使得无时滞控制系统性能指标最小的解,利用这个解去求原系统的状态函数,进而得到时滞反馈控制与状态变换后最优控制之间的关系,求出最优时滞反馈控制的增益。对某型无人直升机实验所得的悬停数据进行仿真验证,仿真结果证明了所提方法的有效性。     

不确定离散广义线性系统的保性能最优控制

对一类具有范数有界时不变参数不确定性的广义离散时间线性系统和一个二次型性能指标,研究了其最优保性能状态反馈控制律的设计问题。通过采用线性矩阵不等式方法,导出了存在保性能控制律的一个充分条件,进而证明了该条件可化为一个线性矩阵不等式的可解性问题,并用这组线性矩阵不等式的可行解给出了保性能控制律的一个参数化表示。在此基础上,通过建立并求解一个凸优化问题,给出了最优保性能控制律的设计方法,最后用例子说明了该方法的应用。     

基于神经网络的机械臂分散自适应跟踪控制

提出了一种适用于机械臂的基于神经网络的分散自适应轨迹跟踪控制方法。将机械臂的轨迹跟踪控制系统考虑为由多个非线性关联组成的不确定性复杂系统,采用分散控制方法进行控制器设计。在对每一子系统设计控制器时,采用直接反馈线性化,利用控制器构建伪线性系统,并引入神经网络自适应环节消除干扰、关联及逼近误差,从而使所提出的控制方法能够保证系统状态有较高的跟踪精度,且算法简单,易于实现。仿真表明,该算法能保证较高的跟踪效果。     

A Fuzzy-Neural Network Control of Nonlinear Dynamic Systems

1.INTRODUCTIONInrealfile,therearemanyprocessesthataretoocomplex,highlynonlinear,uncertaininparametersanddisturbances,itissodifficulttogettheaccuratemathematicalmodel-basedtraditionalcontroldesignmethodologiescannotbeemployedeffectively,fuzzylogicandneuralnetworkprovideeffectiveapproachfordealingwiththeuncertaintyandnonlinearity,andhavebeenappliedtotherealmofmodeling,identificationandcontrolofnonlinearsystemsinrecentyears[1-4].Aclassofneuralnetworks,thefeed-forwardnetworks,havebeenproventob…     

Delay-independent robust guaranteed-cost control for uncertain linear neutral systems

This article concerns the delay-independent guaranteed-cost control problem via memoryless state feedback for a class of neutral-type systems with structural uncertainty and a given quadratic cost function. New delay-independent conditions for the existence of the guaranteed-cost controller are presented in the term of LMIs. An algorithm involving optimization is proposed to design a controller achieving an optimal guaranteed-cost, such that, the system can be stabilized for all admissible uncertainties. A numerical example is provided to illustrate the feasibility of the proposed method.     

基于神经网络的导弹自适应滑模控制器设计

针对导弹六自由度非线性模型,根据时标分离原理将导弹系统分为快慢不同的四个回路.针对快、慢回路,提出了一种基于神经网络的自适应滑模控制器设计方案.首先分别在快、慢回路中采用反馈线性化实现解耦控制,然后设计基于神经网络的自适应滑模控制器来保证系统鲁棒性及性能,其中神经网络用来逼近系统的不确定性.理论分析及计算机仿真都表明,按照该方法设计的控制器不仅具有较强的鲁棒性,而且保证了闭环系统的渐近稳定性.     

基于Q学习的城市交通信号灯混杂控制

给出了一种单交叉口混杂交通控制器和仿真结果。首先,采用Q学习和BP神经元网络根据环境的变化决定最优的相位切换时间,然后增加一个模糊控制器决定最需要切换的相位,即决定相位次序。该方法在PARAMICS交通仿真软件中进行仿真,和定控制以及定相序控制相比,该方法具有明显的优势。