基于神经网络的预测控制模型研究

本文研究基于生产过程输入输出数据建立的神经网络模型问题。训练好的神经网络可作为预测模型，实现非线性系统预测控制；这对一大类过程控制系统的建模与控制具有启发意义。     

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。     

基于神经网络建模的预测控制

预测控制具有多步预测，滚动优化和在线自适应校正等优点，文中提出了用神经网络方法建立预测模型，将其应用到了润滑溶剂脱过程并取得了有效的仿真结果。     

基于B—P神经网络的非线性系统预测控制的研究

预测控制是以计算机为手段基于模型预测进行控制的方法,但是已有的预测控制算法通常是针对线性渐进稳定对象的,或者即使针对非线性使用了非线性模型,但由于算法过于复杂不能适用于快速系统,本文对复杂非线性系统提出了一种基于Ｂ－神经网络的预测控制方法,仿真和实际结果表明该方法的有效性和快速性,能够实现对非线性系统的实时智能优化控制。     

基于BP神经网络的非线性广义预测控制

广义预测控制在理论上已经有了很深的研究,并在工业控制中获得了应用,但广义预测控制存在着模型失配和系统不确定等缺陷.为克服上述缺陷,本文提出基于BP神经网络建立一个对象模型,用修正的误差预测值对输出预测值进行补偿,从而实现对被控对象的预测控制.通过Matlab仿真,表明神经网络预测控制对非线性系统具有较好的控制效果.     

基于神经网络的车用发动机广义预测控制

为了改善具有非线性特性的发动机燃油控制效果,以达到高效率、低污染的要求。利用一种前向神经网络作为非线性系统的模型,并将其分为线性部分和非线性部分。其中非线性部分用单隐层的BP神经网络对其建模,采用学习速度较快的Davidon最小二乘法在线调整网络权值;线性部分采用受控自回归积分滑动平均(CARIMA)模型作为其数学模型,用递推最小二乘法(RLS)作为其参数辨识的方法。每步将所得非线性系统的网络模型线性展开,得到线性回归模型,并以非线性前馈增益方式补偿建模误差,建立了一种适合非线性系统的自校正广义预测控制器。仿真结果表明该算法收敛速度快,控制动作平稳,控制效果理想。     

基于并行拟牛顿神经网络建模的非线性预测控制

针对在非线性预测控制中对神经网络预测模型精度和收敛速度的要求,该文提出了一种并行拟牛顿神经网络建模的非线性预测控制算法.该算法中采用一个前向神经网络作为预测模型,网络的训练利用自调节拟牛顿法(SSQN)和BFGS拟牛顿法并行计算Hessian矩阵以及各自的搜索方向,并用最小原理确定出一个最优步长来调节网络各节点之间的权值.通过Matlab仿真证明了该算法的有效性.     

PMSM的基于神经网络非线性预测控制

采用三层前向神经网络作为PMSM转速预测模型,对PMSM进行非线性预测控制.先通过离线训练获得初始预测模型,再在线对神经网络模型的权值和阀值进行调整;控制算法是将预测模型处理成线性和非线性两部分,并用一种快速线性预测控制方法求取控制律,大大减小在线计算量和提高控制的实时性.最后仿真结果表明该方法具有良好的动、静态特性和抗干扰能力.     

基于正则神经网络模型的时滞混沌系统预测控制

研究模型未知、不稳定的不动点位置及其局部性态未知情形下的时滞混沌系统的控制问题。提出了一种神经网络预测控制方法,将模型未知时的时滞混沌运动控制到不稳定的不动点处。分析了控制系统(包括观测器、正则神经网络预测器和在线训练的线性神经网络预测控制器)的稳定性,与现有同类方法比较,本方法收敛速度快,算法简便。仿真实验表明了本方法的有效性。     

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．     

基于LM的神经网络偏差补偿预测控制及其应用

提出了一种基于LM优化算法的神经网络偏差补偿预测控制 ,对预测偏差进行及时补偿校正 ,并以电加热炉为模型进行实验研究 .仿真结果表明 ,该控制算法不仅能够较好地控制非线性系统 ,具有良好的跟踪性能 ,而且系统的快速性得到很大的提高 .     

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。     

基于动态神经网络的非线性系统建模及其控制

结合已知机理信息构造动态神经网络，进行了非线性动态系统的建模，给出了权值调整算法，利用获得的模型，设计了反馈线性化控制器，由训练好的网络在线提供反馈线性化所需要的信息，为了解决模型失配问题，采用内模控制结构来引入模型的误差反馈，以消除稳态误差，文中给出了仿真实例。     

基于改进Elman神经网络的非线性预测控制

为了提高非线性预测控制中预测模型的精度,提出一种基于递归神经网络建模的预测控制方案.采用改进Elman神经网络在线建立预测模型,用递推最小二乘法在线修改神经网络权值,并引入误差补偿环节,从而达到改善预测模型精度的目的,使控制系统的控制性能得到提高.仿真实验表明了该方法的有效性.     

基于模糊神经网络的模型预测硅单晶直径控制

为了生产大尺寸、高质量、低能耗的直拉单晶硅棒,文中通过在直拉硅单晶生产车间采集的大量数据,通过模糊神经网络(Fuzzy Neural Networks, FNN)和模型预测控制(Model predictive control, MPC)进行建模,得到了等径阶段的直径预测模型和直径控制模型。直径预测模型测试结果表明：平均相对误差仅为0.028 7%,预测精度极高。通过仿真并与常规PID控制进行对比分析得出,MPC比常规PID控制的调节速度快53.66%,并且MPC的控制过程非常稳定,其超调量基本为0;由加热器功率调控变化过程可知,MPC减少了调节过程的能耗,并提高了热场稳定性及单晶硅棒质量。通过预测模型建立的直径控制模型能提高控制精度并促进硅单晶高质量生产。     

基于神经网络的模型直升机偏航角预测控制方法

模型直升机航向角变化剧烈,一般航向角测量方法具有延迟性、误差大、变化突然等缺点,需要一种具有学习、适应、非线性类人控制的控制方法.基于神经网络的预测控制方法采用双曲正切函数作为传递函数,采用最小二乘拟合算法训练数据得到参数,并在单片机实现中进行了简化,用多项式代替双曲正切函数,简化计算复杂度,在保证控制精度的基础上,提高了预测控制的实时性.在试验台运行中,控制过程延迟小,控制精度明显改善,模型飞行平滑,具有较高的实用价值.     

基于遗传神经网络模型的蔗糖结晶过程预测控制

针对蔗糖结晶过程控制中存在的模型复杂性和检测困难等问题,建立了蔗糖结晶过程的遗传神经网络模型,该模型用一种改进的实数编码提高了遗传算法的搜索能力,并根据该模型建立了结晶过程的预测控制系统,仿真和实验的结果表明,该方法在确定成糖时间和浓度方面是有效的。     

基于神经网络的单值预测控制

为了实现快速控制,用两层线性神经网络构造预测器,估计未来ｐ步的输出值,用两层非线性神经网络组成控制器,实现对下一步控制的优点,仿真结果显示：该方法是可行的,且具有结构简单,运算最小、速度快的特点。     

一种基于BP网络的预测控制算法及其应用

将传统预测控制的优化策略与神经网络逼近任意非线性函数的能力相结合,提出了一种基于BP神经网络的新的预测控制算法,并针对一个工业装置控制实例,探讨了该算法在工业过程控制中的应用。仿真研究结果表明,该神经网络预测控制算法是切实可行的。