基于预测状态空间实现的GPC自适应算法

依据文［１］中提出的ＣＡＲＩＭＡ模型预测状态空间实现，在线辨识被控系统的单位阶跃响应序列和特征多项式系数，直接用辨识出的序列和特征多项式系数构成广义预测控制律．该算法计算量小，鲁棒性好，模型中Ｂ多项式阶次及时延可以未知     

广义预测控制算法及其应用研究

随着广义预测控制（GPC）在工业过程控制中的广泛应用,GPC的研究已成为当前自动控制工程界的研究热点.本文阐述了GPC的各种算法（如递推算法、广义预测极点配置控制算法等）和应用研究状况,并对其发展方向进行了展望.     

GPC算法的统一格式

给出了两类基本的广义预测控制（GPC）算法－－基于CARIMA模型的GPC算法和基于ARMAX模型的GPC算法的统一格式。     

前馈控制算法在DRC型点焊监控器上的应用

首次在DRC型监控器上应用阈值前馈控制算法和网压前馈控制算法 ,并与反馈调节算法相结合 ,使DRC型监控器在干扰频繁的电阻点焊生产环境中工作可靠     

前馈控制算法在DRC型点焊监控系统上的应用

在DRC型监控器上应用时间前馈、阈值前馈网压前馈控制算法与反馈调节算法相结合,使DRC型监控系统在干扰频繁的电阻点焊生产环境中工作可靠。     

PMSM广义预测前馈控制器

为解决PMSM驱动器的硬性约束问题,特别是驱动器必须保证强大的电机电流的限制及终极驱动力的动态性能,提出一种广义预测(GPC)极点配置前馈控制算法.该方法以前馈控制器的结果作为GPC的一个极点,选择适当的惩罚矩阵,只有在极点附近GPC控制才能提高对前馈控制器的作用.使用10.7 k W的样机验证该理论.实验结果表明:与传统的PI矢量控制相比,基于GPC的前馈链路数字化控制器效果更优.     

前馈神经网络快速算法及其应用

针对现有前馈神经网络学习算法的缺陷,提出一种前馈神经网络的快速学习算法.该算法是基于无监督学习中的主元分析算法的Oja规则和监督学习中δ规则的.与现有同类算法相比,该算法简化了学习过程,计算量小,有更快的学习收敛速度和更高的收敛精度,较适用于快速学习的系统辨识和其他应用.系统辨识的仿真实例表明了该算法的优良性能.     

基于前馈模糊自抗扰的燃气热水器温度控制

燃气热水器系统是一个复杂的控制系统,具有大时滞、惯性大、抗干扰能力弱的特点,其控制性能的好坏直接影响用户的使用体验和对产品的评价。针对现有燃气热水器在温度控制中存在的大时滞和惯性大现象造成的温度控制效果不佳等问题,提出一种由前馈控制、模糊控制和自抗扰控制相结合的前馈模糊自抗扰复合控制算法;对其开机恒温性能进行仿真分析,并对热水器开机恒温、调温恒温、水流量波动恒温以及切阀恒温性能进行试验研究。结果表明：基于前馈Fuzzy-LADRC控制算法的燃气热水器相较于原机开机恒温调节时间减少了38.3%,调温恒温调节时间减少了33.7%,水流量波动恒温调节改善了45.7%,切阀恒温调节时间减少了55.3%;新控制算法调节时间短,抗干扰能力强,大大提高了燃气热水器的恒温性能。     

连分式求值算法的改进实现

探讨了连分式求值问题及其算法，对比和总结前人的研究成果，提出了改进的连分式求值算法，并给出了验证实例。     

正弦干扰下时滞系统的状态预测观测器与前馈—反馈预测控制器设计

研究控制变量含有时滞的线性系统在外部正弦干扰下的最优减振预测控制问题。利用系统的控制向量和被控对象的预测输出向量，设计了1种全维状态预测观测器。并将该状态观测器用于时滞控制系统的最优前馈—反馈预测控制中。频域分析表明，应用该状态预测观测器可将闭环系统的时滞项移至系统闭环结构之外，从而其优化控制规律完全可以按无时滞系统进行设计。时域分析表明，设计的预测控制器对外部正弦干扰有较强的鲁棒性，得到的结果关于二次型平均性能指标是次优的。     

关于GPC中的downdating问题

本文利用矩阵分解方法，推导出一种求解广义预测控制（GPC）中的逆矩阵的downdating问题的算法．使GPC取得了更好的控制效果，求解过程中的计算量却减少了许多．     

基于预测控制模型的一种状态空间实现

以受控自回归滑动平均模型和受控自回归积分滑动平均模型为研究对象，根据估计理论，利用参数递推方法，构造了广义预测控制的一种状态空间实现，从而避免了解Diophantine方程，大大地减少了预估算法的计算量，为控制系统的性能分析提供了便利条件，文末，对状态空间实现的可控与可观性加以了证明。     

线性离散时间系统的预测状态空间表达式

表征线性离散时间系统的参数化模型或非参数化模型可以转换为预测状态空间表达式．利用预测空间表达式可以对各种模型预测控制系统未来多步输出进行递推最佳预测，从而使其在线预测计算量大为减少．     

基于遗传算法的多变量增量型广义预测控制

针对多变量增量型广义预测控制算法增量系数难于根据系统特性选择的问题,提出基于遗传算法的多变量增量型广义预测控制算法.多变量增量型广义预测控制算法通过将求解出来的控制增量分别乘以相应的增量系数,来提高系统的鲁棒性和稳定性,同时采用阶梯式的控制策略降低多变量广义预测控制算法的计算量,运用改进的遗传算法优化整定多变量增量型广义预测控制的增量系数增强系统的跟踪特性.通过原油常压塔的侧线产品质量控制的仿真,验证了该方法有较好的鲁棒牲和抗干扰性.     

基于CARIMA模型的PFC与GPC的等价性

建立了新型的模型预测控制方法——预测函数控制(PFC)与传统的广义预测控制(GPC)的联系.首先推导了基于含有色噪声的自回归增量滑动平均(CARIMA)模型的预测函数控制的控制律,然后通过选取不同的基函数获取PFC控制律的形式并与GPC控制律进行比较.从而证明了在一定的基函数的选取方式下,基于CARIMA模型的PFC算法和GPC算法是等价的.揭示了PFC与GPC两者之间深刻的内在联系,为PFC的工程应用提供了理论保证.     

利用小脑模型提前计算的广义预测控制

给出一种新的广义预测控制方法，并把小脑模型（ＣＭＡＣ）应用于该算法中，避免了ＧＰＣ算法需要实时所进行的复杂计算．针对ＣＭＡＣ所需存储单元多的缺点，提出了一种改进计算ＣＭＡＣ输出值的方法，可大大减少存储单元．文中的方法对ＧＰＣ在实际中的应用有重要意义     

基于差分型思维进化算法的受限广义预测控制

针对广义预测控制(GPC)的滚动优化对受限控制量求解的复杂性,笔者提出一种基于差分型思维进化算法的受限广义预测控制方法(DMEAGPC)。用差分型思维进化算法处理带约束的非线性优化问题,以此作为滚动优化策略,求得最优控制律。并将该算法应用于电厂再热汽温系统,仿真结果验证了该算法的有效性和可靠性。     

Wiener型系统基于神经网络的在线训练算法广义预测控制

利用RBF神经网络在训练算法和广义预测控制算法进行了Wiener型非线性模型预测控制的研究，仿真表明这种做法是可行的。     

基于预测状态表示的Q学习算法

针对不确定环境的规划问题,提出了基于预测状态表示的Q学习算法.将预测状态表示方法与Q学习算法结合,用预测状态表示的预测向量作为Q学习算法的状态表示,使得到的状态具有马尔可夫特性,满足强化学习任务的要求,进而用Q学习算法学习智能体的最优策略,可解决不确定环境下的规划问题.仿真结果表明,在发现智能体的最优近似策略时,算法需要的学习周期数与假定环境状态已知情况下需要的学习周期数大致相同.