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．     

二级倒立摆的TS型逐级模糊神经网络控制

提出了一种逐级模糊神经网络控制法．该控制法通过采用Takagi-Sugeno型模糊神经网络控制器和逐级模糊控制规则,实现了二级倒立摆系统的稳定控制．模糊神经网络控制器的参数采用遗传算法分4步进行优化．实验结果表明,采用逐级模糊神经网络控制法,用20条模糊规则就可以实现二级倒立摆系统的稳定控制,并且控制效果佳,系统鲁棒性强。     

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .     

多层局部回归网络的非线性系统预测模型

提出采用多层局部回归神经网络建立多变量非线性系统多步预测模型的方法,神经 网络模型可提供多步预测控制所需要的系统输出预测值及输出向量对控制向量的雅可比矩 阵．仿真试验表明这种动态神经网络的预测模型具有较高的精度．     

一种新的不下机器人运动控制方法

对神经网络和模糊理论在水下机器人运动控制中的应用进行了探讨,提出了神经网络多步预测模型的非线性广义模糊预测控制算法,用神经网络方法实现了对水下机器人这一非线性系统的在线计算、滚动优化和在线控制,采用强化学习方法来构筑模糊控制系统中的神经网络,给出了神经网络多步预测模型及相应的控制算法和操作过程,计算机仿真结果验证了本文所提方法的有效性。     

基于递归神经网络的多频预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题，提出了基于局部递归神经网络的多步递归神经网络（MSRN）模型，对时间序列进行了多步预报，用模拟振动数据把MSRN模型用作单步和多步的预报能力，同经典的多层前馈刘经网络进行了比较，并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势，实践表明，用该方法进行多步预报误差小，并具有良好的预报能力。     

大滞后非线性系统PID型多步预测控制

简要概述了基于神经网络的大滞后非线性系统多步预测器的实现,在分析直接多步预测中的误差自关联问题的基础上,提出一种较为准确的去误差直接预测方法,引用鲁棒性好的PID型多步预测目标函数对滞后非线性系统实现预测控制.在控制中,采用适用于动态系统的递归神经网络.仿真实验表明了所提方法的有效性.     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。     

PMSM神经网络实时IP位置控制

对永磁同步电机 (PMSM )提出了一种基于神经网络的实时IP位置控制方案·根据伺服系统中的IP控制策略 ,利用神经网络的优点设计了神经网络实时IP位置控制器·所设计的神经网络实时IP位置控制器结构简单 ,权值调整计算量小、速度快·同时用混合神经网络作为PMSM系统辨识器 ,用多步预测性能指标函数实现了实时在线训练·理论分析和实验仿真对比研究的结果 ,表明所提出方法具有优越的动态性能和鲁棒性·     

木糖醇发酵过程参数的在线软测量

针对在线测量或预测木糖醇浓度并适时终止发酵问题,运用广义对数方程拟合木糖醇发酵过程的各参数值,借助均匀设计法寻找神经网络的最佳隐层单元数、学习速度、初始权矩阵,构建一个具有５－８－４三层网格结构的“软传感器”。经检验,它能很好实现在线状态估计和提前一步预测木糖醇浓度。该方法也有利于实现其他发酵过程的在线控制。     

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。     

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。     

一种模糊神经网络自适应预测控制方案的研究

在过程控制中,由于被控对象常具有非线性、不确定性及参数时变等复杂因素,难以建立精确的数学模型,从而直接影响了控制效果,提出了一种模糊神经网络自适应预测控制议案,对学习公式进行了理论指导,并结合误差补偿以提高预测控制的精度,仿真实验表明,该算法可实现模糊控制和神经网络的优势互补,对非线性复杂系统具有良好的控制性能。     

基于神经元网络的非线性系统间接自校正预测控制器

提出了一种使用神经元网络的非线性系统间接自校正预测控制器。这一控制方法是基于两个神经元网络,一个用于动态过程的建模,另一方面用于获取控制信号。控制器的优化目标基于过程输出的向前多步预测。两个网络在线学习均采用了非线性最小二乘法。     

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.     

基于神经网络的有源电力滤波器预测控制方法

提出了一种基于神经网络的有源电力滤波器预测控制方法。此方法将神经网络内模控制技术应用到有源电力滤波器（ＡＰＦ）的控制系统中,同时针对ＡＰＦ控制系统中神经网络计算时延问题,引入了一个神经网络预测模型。仿真分析表明,这种控制方法补偿了系统滞后,能充分利用神经网络的自适应特性,有很好的控制效果。     

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BP神经网络的广义预测控制算法的研究与应用

本文提出了1种基于BP神经网络的广义预测控制算法,其实质是利用BP神经网络来求取广义预测控制的最优控制律.神经网络选用了具有良好逼近性能的BP结构.该算法对广义预测控制算法进行了简化,使其可以应用于快速系统的控制.最后,选用倒立摆系统作为研究的对象,将新算法应用于倒立摆的控制,取得了较好的控制效果.     

PID神经网络混沌优化及其在机械臂轨迹跟踪控制中的应用

针对BP优化PID神经网络（BP-PDNN）易陷入局部极小的不足,提出了一种变尺度混沌优化PID神经网络设计方法,即MSCOA-PIDNN,将其应用于机械臂轨迹跟踪控制中.利用混沌运动的遍历性优化网络权值,通过压缩优化变量取值区间提高搜索效率.采用MSCOA-PIDNN建立机械臂系统的预测模型,以多步预测性能指标为目标函数,优化PID神经网络控制器,从而实现机械臂系统轨迹跟踪的有效控制.仿真结果表明,MSCOA-PIDNN在机械臂轨迹跟踪控制中性能优于BP-PIDNN.