基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法，在该算法中，先用BP神经网络辨识对象模型，同时预测对象的未来输出，然后用动态矩阵控制算法进行滚动优化和反馈校正。该方法解决了非线性、时变对象难以建模及控制的问题，仿真结果验证了这一新型算法的可行性。     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法,在该算法中,先用BP神经网络辨识对象模型,同时预测对象的未来输出,然后用动态矩阵控制算法进行滚动优化和反馈校正.该方法解决了非线性、时变对象难以建模及控制的问题,又保留了常规预测控制的优点,是一种比较好的、有着广阔应用前景的新型控制算法.仿真结果验证了这一新型算法的可行性.     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法 ,在该算法中 ,先用BP神经网络辨识对象模型 ,同时预测对象的未来输出 ,然后用动态矩阵控制算法进行滚动优化和反馈校正。该方法解决了非线性、时变对象难以建模及控制的问题 ,仿真结果验证了这一新型算法的可行性     

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。     

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。     

基于神经网络模型的扩展优化自校正预测控制

利用前馈神经网络权初值优化的快速BP算法建立对象的非线性预测模型,采用分段线性化的技术建立动态线性模型,基于该线性模型进行滚动优化,同时用非线性预测模型对其进行补偿,实现对具有时延的非线性系统的预测控制,较好地解决了非线性系统存在时变、模型失配等情况下的控制问题。仿真实验表明由它构成的控制系统具有很好的动态响应和较强的鲁棒性。     

基于QP转化的约束非方系统模型预测控制

针对带约束非方系统的控制问题,设计了一种基于标准二次规划(QP)转化方法的快速模型预测控制算法。首先利用非方传递函数矩阵对Diophantine方程进行求解,结合系统的单位阶跃响应矩阵重构系统的预测模型;然后,考虑系统的约束条件,包括输入输出变量、控制增量约束,通过引入松弛变量及等式转化,将模型预测控制MPC过程中的最小化目标函数问题转化为带有不等式约束的标准QP问题,实现最优控制律在迭代过程中的一步求解,从而解决传统控制方法中计算量大、不能够直接应用于在线控制的问题。将本文所提出的方法应用于经典的Kalman非方系统的控制。得到仿真结果表明,该预测控制方法在系统的抗噪声扰动、设定值跟踪等方面均有着较好的性能,同时能满足系统的约束条件,并得到满意的控制效果。     

基于动态神经网络解耦线性化的内模控制

采用动态神经网络对一类多变量仿射非线性系统进行建模，利用解析求得的模型动态逆，将非线性对象近似输入输出解耦线性化。针对复合后的伪线性系统采用内模控制，分析了存在建模误差的情况下闭环系统的鲁棒稳定性。仿真表明了所提方法的有效性。     

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 .     

基于动态矩阵控制的自主移动机器人模型预测控制方法研究

自主移动机器人运动转向系统的精确控制是其实现直线运行、原地转向功能和完成自主巡航、自治搬运任务的重要基础。为实现对机器人运行转向系统的有效控制,通过分析自主移动机器人的运动转向系统的数学模型,构建出传递函数的表达形式,提出了一类基于动态矩阵控制(dynamic matrix control, DMC)的模型预测控制方法。此外,面向自主移动机器人的运动转向系统,利用Matlab平台开展了基于DMC的模型预测控制方法的仿真研究,仿真结果表明,在运动转向系统的控制过程中,基于DMC的预测控制方法同传统比例-积分-微分(proportion-integral-derivative,PID)控制器相比,在抑制超调、防止稳态误差等方面具有更强的控制性能;开展针对模型失配问题的仿真研究,进一步证明了该算法的鲁棒性和适应能力。同时,通过无障碍和有障碍两类情形下的机器人行走实验,验证了机器人运动系统的有效性。     

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.     

基于对角递归神经网络的控制系统

针对角递归神经网络具有结构简单、收敛速度快,可广泛用于非线性系统的辨识与控制的特点.基于工业自动化通用技术平台(IAP),采用图形化控制策略组态技术开发了一套基于对角递归神经网络的控制系统,该系统具有基于参考模型跟踪的控制结构,可快速自适应地调整控制器参数.仿真实验结果表明,基于对角递归神经网络的控制系统控制精度高、稳定性好,可成为处理复杂工业过程,尤其是解决不确定和非线性领域问题的有效工具.     

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。     

回归神经网络控制器的研究与应用

分析了利用具有多层反馈的动态回归神经网络作为控制器的可行性 ,构造了基于RNN的控制系统,并对典型的非线性化工对象连续搅拌釜反应器(CSTR)和化工过程Benchmark问题进行了实时的控制应用。结果表明,多层反馈的回归神经网络控制器具有结构简单、控制效果好的优点,特别是在对Benchmark控制中采用了多入多出的RNN控制器构造的串级控制系统,体现了RNN控制系统的强适应能力,可用于复杂动态过程的控制。     

An integrated scheme of neural network and optimal predictive control

An approach of adaptive predictive control with a new structure and a fast algorithm of neural network (NN) is proposed. NN modeling and optimal predictive control are combined to achieve both accuracy and good control performance. The output of nonlinear network model is adopted as a measured disturbance that is therefore weakened in predictive feed-forward control. Simulation and practical application show the effectiveness of control by the proposed approach.     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于神经网络预测模型的高速公路递阶控制

利用递阶结构和神经网络来进行高速公路入口匝道控制，其基本思想是：把高速公路作为一个大系统问题，子系统为高速公路的路段，协调控制层负责计算各路段的期望轨线，应用神经网络对各路段交通状态进行预测，并根据预测结果实施控制。给出了控制器的构造方法并进行了仿真实验，实验结果表明，该方法能够有效地消除交通拥挤和维持主线车流稳定。