双线性系统的状态反馈预测控制

针对可输入输出(I/O)精确线性化的双线性系统,提出了一种直接的预测控制算法.这种算法应用状态反馈预测控制算法的思想,无需对双线性系统进行线性化,因而避免了线性化后再引入线性控制算法进行控制而带来的复杂运算,并且可以提高控制系统抑制未知干扰的能力,增强了系统的鲁棒性.给出了算法的使用条件和推导过程.仿真结果表明,新的算法控制效果良好.     

预测误差法参数辨识及其MATLAB仿真

预测误差法是一种精确度较高的辨识方法,其辨识误差要远远小于最小二乘法.但由于其计算较复杂,以前使用传统编程语言(FORTRAN,PASCAL, C/C++)很难实现,但使用MATLAB系统辨识工具箱函数实现预测误差法辨识就很方便了,且使用MATLAB实现预测误差法精确度较高,具有很好的实用价值.文中介绍了参数辨识的预测误差法原理,阐述了Newton-Raphson最优化算法在预报误差法参数辨识中的应用.用MATLAB的系统辨识工具箱和GUI图形工具编制了基于Box-Jenkins模型的参数辨识仿真程序pebjident,最后以实例介绍了用此程序进行预测误差法参数辨识的过程,以及辨识结果分析.     

基于状态扩展的双反馈模型预测控制技术研究

针对模型预测控制在线滚动的实施要求,提出了基于状态扩展的双反馈预测控制策略,旨在不改变系统信息描述的前提下,提高其在线计算能力。在模型预测控制滚动时域特征分析及其数学模型演化讨论基础上,根据系统变量及其差值与系统方程的关联关系进行状态变量的扩展与转换,使变量转换后的系统在预测控制模式下表现为状态与输出双反馈的结构形式,从而通过输出反馈的引入,在系统控制信息无任何约束及处理的基础上有效缩减控制域,降低系统在线计算量。光伏系统最大功率点跟踪(MPPT)控制仿真示例验证了设计的可行性与有效性。     

前向神经网络学习速率的白适应算法

学习速率是控制神经网络学习过程的一个重要参数，影响神经网络的稳定性和快速性．提出了一种能够满足实时性要求的神经网络学习速率的自适应算法，并证明了在该学习速率下，神经网络的学习过程是Lyapunov意义稳定的。试方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误盖的影响，从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真，结果证明了该方法的有效性。     

误差反馈的正交小波均衡器结构与算法研究

在基于离散正交小波变换的基础上，结合传统的判决反馈自适应均衡算法，提出一种基于误差反馈的离散正交小波判决反馈均衡器结构和算法。对前馈滤波器用一组规范正交小波及其对应的系数来表示，后馈滤波器包含了误差反馈和判决反馈。并在此基础上，给出了自适应均衡算法。谊算法的优点是将离散正交小波变换和误差反馈相结合，利用小波变换的去相关能力在小波域中通过归一化的最小均方误差算法来提高收敛速度，利用误差反馈来减小误差信号之间的自相关性，以获得更小的均方误差（MSE）和误码率。     

神经网络非线性预测控制仿真软件包

介绍了神经网络非线性预测控制仿真软件包,从OOP和消息驱动机制出发研制了仿真软件结构和设计,从而为控制理论和应用提供了仿真研究平台。     

自反馈RBF网络在高炉热状态模型预测中的应用

在RBF神经网络的输入上加入了自反馈的神经元,提出了自反馈RBF神经网络,使网络对过去时态的数据具有了记忆能力,对该网络进行了稳定性分析后,采用层叠的自反馈神经元以增加网络的动态处理能力,并设计了自反馈RBF的在线训练算法,通过对混沌时序数据的仿真实验证明该算法的有效性。在此研究基础上,建立了高炉的热状态预测控制模型,预报铁水中硅的含量以达到判断高炉热状态的目的,实验表明该模型提高了高炉热状态的预报精度。     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。     

隐式广义预测自校正控制算法的混合仿真研究

利用广义预测控制与动态矩阵控制的等价性,根据动态矩阵控制中误差校正原理,对广义预测控制算法中的开环预测向量ｆ作了修正,并通过模拟仿真仪对该算法进行了混合仿真研究。     

混沌序列的T-SK反馈模糊神经网络预测

针对模糊神经网络预测混沌系统输入节点数目的确定随意性较大及敛速度慢的缺点,提出T SK反馈模糊神经网络(T SKrecurrentfuzzynetwork,TRFN)。同时采用两阶段学习算法:先进行结构学习来确定TRFN的最佳结构,再利用基于混沌动态量的BP算法对神经网络进行参数学习,提高了收敛速度和预测精度。应用此网络和相应的学习算法,对Henton序列进行了预测,与传统的模糊神经网络相比,在节点数目较少的情况下,取得了更快更精确的预测结果,验证了该方法的有效性。     

间歇过程模糊预测学习控制器的设计与仿真

针对工业间歇过程的控制问题，分析比较了现有的两类反馈-前馈迭代学习算法在解决工业间歇过程控制系统滞后问题上的缺陷，采用T-S模糊预测模型，在原有反馈-前馈迭代学习算法基础上引入预测思想，研究了基于模糊预测的迭代学习算法，并设计了一种模糊预测学习控制器。以具有滞后、变参数特性的间歇过程为例，进行了仿真研究，验证了提出方法的有效性。     

基于模糊反馈校正的广义预测控制

针对具有纯时滞和非线性的复杂系统，提出一种基于广义预测控制和模糊反馈校正相结合的控制策略，目的在于抑制模型失配的影响，增强广义预测控制的鲁棒性，建立一种适于实时生产过程的控制方法。仿真结果表明了这一算法的有效性。     

数字仿真模型的特征根误差

本文讨论数字仿真模型频域误差分析的特征根误差的估计方法。应用数值积分公式的余项公式，对常用算法构造的数字仿真模型的特征根误差的估计进行了统一处理，从而简化了具体算法的繁复的推导过程。     

任意初始状态下迭代学习控制的频域分析

针对广义受控对象G(s) ,提出了一种迭代学习控制器在频域中设计的思想 ,给出了在任意初始状态下迭代学习控制算法收敛的充分条件 ,证明了经过逐次迭代后系统实际输出信号对期望输出信号的逼近特性 ,输出跟踪误差将一致有界 ,且与期望状态及期望输入无关。进一步讨论了反馈控制在迭代学习控制器中的作用。仿真结果表明了该算法的有效性。     

灌浆压力的非线性建模预测

实际灌浆压力控制过程中,由于灌浆液的密度、粘度和地层等因素的影响,使得灌浆压力的变化具有不确定性、时变性和非线性特征。为了辨识、预测灌浆系统压力,提出了一种基于神经网络的多传感器数据融合技术。通过对灌浆工艺与机理分析得到该BP神经网络输入变量。该方法首先利用灌浆过程中采集的数据离线训练BP神经网络,获得一收敛的神经网络模型,然后用此神经网络模型实时预测所灌地层的灌浆压力。最后实验仿真结果表明,BP神经网络预测模型能够运用到灌浆系统中,模型的最大预测误差不超过15%,平均均方根误差仅为0.186。     

数字仿真模型的频域误差分析

本文对数字仿真模型的频域误差分析的一些结果进行综述。着重讨论数字仿真模型的特征根误差，传递函数误差，仿真子模型之间数据传输的频域误差和误差的一些补偿方法。文中也提出了一些需要解决的问题。     

组织学习协同性评价模型设计与应用

在分析组织系统学习协同要素的基础上，运用协同学理论构建组织学习的协同性评价指标体系和评价模型，通过实证研究对一些代表性企业进行协同性评价，以探索提升组织学习能力和效果的途径。     

基于KAUTZ模型的预测控制仿真研究

采用Kautz函数逼近来得到未知系统模型,利用带遗忘因子的最小二乘法在线辨识系统模型变化。基于Kautz模型设计了一种自适应预测控制器,并且针对系统投运初期的辨识误差提出了一种衰减因子补偿方法,提高了控制品质。该算法自适应能力强,控制精度高。仿真试验证明了该算法的有效性。     

基于特征模型的预测函数控制的仿真研究

传统的预测函数控制通常采用一阶的预测模型,该预测模型不能完全表征被控对象,因此使得传统的预测函数控制的鲁棒性受到一定限制。特征模型是一种比动力学模型简单,但能表征被控对象特征的模型。针对预测函数控制算法的缺陷,提出了利用二阶特征模型来构成预测模型。通过与采用一阶预测模型的预测函数控制进行比较,理论分析与仿真实验结果均表明,采用特征模型的预测函数控制具有比一阶预测模型更好的控制效果,该算法在SUPCON-JX300X集散控制系统上实现。     

变风量空调系统的模型预测控制及仿真研究

采用基于模型预测控制策略的多输入多输出(MIMO)控制器对单通道变风量空调系统的控制问题进行了研究.在分析系统工作机理和系统动力学行为的基础上,建立了内部模型的结构,采用实验确定了模型的参数.通过设定参考轨迹、输入输出约束、控制步长、预测步长及加权矩阵,解决了系统的凸二次型优化问题.通过仿真研究和对实际系统的控制,验证了系统的控制效果.