多变量系统的变时滞无模型自适应单值预测控制

针对难以建模的变时滞多变量非线性系统的控制问题,基于改进具有辅助向量的多变量紧格式动态线性化泛模型,参考多变量单值预测控制算法,提出改进的目标函数,给出变时滞多变量无模型自适应单值预测控制算法,采用自适应递推算式的优化算法进行优化,给出了目标函数的加权网络参数的在线优化算法,解决了试凑法确定加权网络参数的问题.试凑法确定的加权网络参数不能保证控制算法最优,综上研究提出在线优化参数的变时滞多变量无模型自适应单值预测控制算法,仿真结果说明,单值预测控制算法具有无模型自适应控制性能及预测控制功能和参数寻优功能,故算法具有优良的控制性能.     

一种改进的自适应卡尔曼滤波算法

针对多传感器数据融合时传统卡尔曼滤波算法极易引起滤波发散,降低滤波精度和系统实时性的问题,研究一种改进的自适应滤波算法对多传感器数据进行融合,得到更为准确的信息数据。该算法在简化的Sage-Husa滤波基础上引入滤波收敛性判据,抑制滤波发散并提高滤波精度和稳定性。同时结合强跟踪滤波思想调整增益矩阵,使滤波器具有强跟踪滤波的特性,提高改进的滤波算法对不确定系统模型的鲁棒性以及对突变状态的滤波处理能力。将改进算法与传统卡尔曼滤波算法进行仿真比较。仿真结果表明,在系统模型参数失配或实变噪声未知情况下,改进的自适应滤波算法有更好的鲁棒性,并且在系统状态突变时仍有较好的滤波效果,明显提高了滤波精度和实时性。     

预测控制中逆矩阵的递推求解算法

在各种自校正预测控制算法中，计算最优即时控制时均需在线进行矩阵求逆运算．作者针对各类预测控制算法中需求逆矩阵的普遍情形，采用矩阵分解方法，推导出一种可适用于各类预测控制算法的逆矩阵在线递推求解算法．本算法比传统增广矩阵求逆算法的计算量小，且适用性广，因而采用该算法可显著提高各种自校正预测控制算法的实时性．     

基于Tan-Sigmoid函数参数调整的BP神经网络改进算法

为提高BP神经网络的性能,对网络的联接权值W和神经元的tan-sigmoid转换函数的参数T、θ进行调整,使信息分布存储于权值矩阵及转换函数中,比传统的算法具有更强的非线性映射能力．经严密的数学推导,给出了最终的改进算法公式和1个预测需求量的算例,结果表明,改进后的算法能有效地减少隐层节点数,且能加快收敛速度和提高收敛精度．     

基于改进的变权缓冲灰色模型在沉降预测中的应用

针对灰色模型在中后期沉降预测中的精度问题,提出了单、双权幂函数弱化缓冲算子,并结合变权背景值建立改进的变权缓冲GM(1,1)模型。证明了新算子能提高光滑性、缩小级比偏差,实现对原始沉降数据的预处理。对于模型中的权值采用以还原值与原始值平均相对误差最小为目标的粒子群优化算法确定。最后,以高填方机场地表沉降数据预测为例,验证所提改进模型的有效性。结果表明：新算子能够有效弱化沉降序列受到的冲击扰动影响,结合变权背景值能显著提高灰色模型在中后期沉降预测中的精度。此外,对新算子的权值进行限定后,可得到两种不同的变权弱化缓冲算子。     

基于Laguerra函数模型的预测控制算法

在简述基于Ｌａｇｕｅｅｒａ函数近似模型的自适应预测控制原理,算法及其特点的基础上,将现有的多步预测,单步优化的控制算法扩展为多步预测,多步优化的控制算法,并与传统的广义预测控制（ＧＰＣ）作为比较研究,结果表明基于Ｌａｇｕｅｒｒｅ函数模型的预测控制方法对变时延,变阶次被控对象的控制鲁棒性明显优于广义预测控制。     

基于Laguerre函数模型的预测控制算法

在简述基于Ｌａｇｕｅｒｅ函数近似模型的自适应预测控制原理、算法及其特点的基础上,将现有的多步预测、单步优化的控制算法扩展为多步预测、多步优化的控制算法,并与传统的广义预测控制（ＧＰＣ）作了比较研究,结果表明基于Ｌａｇｕｅｒｅ函数模型的预测控制方法对变时延、变阶次被控对象的控制鲁棒性明显优于广义预测控制     

改进爬行动物搜索算法优化ENN模型预测管道腐蚀速率

管道腐蚀的影响因素多而复杂,建立准确的管道腐蚀速率预测模型是评价管道安全状况的关键。针对传统Elman神经网络(Elman neural network, ENN)模型预测中易陷入极小值、泛化能力不强的缺陷,提出了一种基于改进爬行动物搜索算法(引入Circle混沌映射并结合鲸鱼优化算法的狩猎策略)的ENN模型,并采用管道腐蚀速率实测结果验证了新模型的有效性。两个实例的预测结果表明,改进新模型的平均绝对百分比误差分别为0.547 6%、0.783 1%,其预测精度明显高于传统ENN模型。新模型在预测过程中可对权值和阀值进行寻优处理,因此有助于提升传统模型的预测精度。     

多模型预测控制算法

文中把动态矩阵预测控制算法（ＤＭＣ）与广义预测控制算法（ＧＰＣ）有效地综合起来，构成多模型预测控制算法，改善了控制品质，仿真结果表明了它这种算法的优越性。     

一种带约束的广义预测控制器

传统的广义预测控制算法,计算量大,求解复杂,对有约束的控制问题,求解更是麻烦.本文针对这一问题,提出一种带约束的广义预测控制算法,通过对未来控制序列的离线近似计算以及考虑到约束情况来精确求解当前时刻的控制量.该算法简单,避免了求解Diophantine方程及逆矩阵,大大减小了计算量,仿真结果表明,该算法控制性能良好.     

一种改进的Jacobi正交多项式的BP神经网络算法

 根据多项式理论,构造一种以Jacobi正交多项式作为隐层神经元激励函数的BP(back-propagation)神经网络模型.针对该网络,提出一种改进算法即隐层神经元数可快速确定的权值直接确定算法.首先介绍正交基函数和Jacobi多项式的定义,以及BP神经网络的基本原理.然后进行网络隐层数设计及其隐神经元数的确定,且设置各层连接权值、给出改进算法的步骤.最后,将其与传统矩阵迭代法和Levenberg-Marquardt训练算法进行比较.计算机实验结果表明,该算法具有比传统的BP迭代法更快的计算速度,并且能够达到更高的工作精度.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

车身疲劳载荷识别与应用

为提高整车载荷识别精度和车身疲劳寿命预测精度,提出应用改进的振动系统传递函数估计算法结合虚拟迭代计算方法,以提高整车输入载荷识别精度和车身疲劳寿命预测精度。首先,应用道路载荷测量车进行整车试验场耐久性强化试验道路载荷信号采集,建立满足工程精度要求的整车刚柔耦合多体动力学模型。在整车振动系统传递函数矩阵识别中,利用改进的估计算法消除输入载荷和响应载荷中随机干扰信号的影响,然后应用整车动力学模型进行输入载荷的虚拟迭代计算,获得比H1估计方法更准确的输入载荷。最后,将虚拟输入载荷导入白车身有限元模型中进行寿命预测计算,并应用整车四通道道路模拟试验进行白车身疲劳寿命试验来验证提出的寿命预测计算的准确性。结果表明,仿真预测结果与试验结果基本一致,说明所应用的改进估计算法和虚拟迭代计算方法可以获得更加准确的整车输入载荷,提高车身疲劳寿命预测的精度。     

确定性多变量非线性系统的在线修正参数预测滤波PID控制

针对确定性多变量NARMAX模型,分析了其可采用PID控制的约束条件。提出一种增量型预测滤波解耦PID控制算法,基于递推参数估计算法对系统模型进行参数估计,采用逐步迭代预报算法进行预测,结合一种可克服算法病态的直接极小化指标函数的自适应控制算法和Robbins-Monro算法,给出了确定性多变量NARMAX模型的具有在线修正参数的预测滤波PID控制算法,因指标函数中含有输出的预测值,故算法具有加快PID控制参数收敛到有效值速度的性能。仿真研究表明,因为所提出的PID算法具有在线修正参数和预测控制的性能,故系统具有较好的控制品质。     

一种基于综合目标函数的神经网络学习算法

为提高多层前向神经网络的学习速度和算法的稳定性,提出一种基于综合目标函数的改进学习算法.该算法在误差平方和目标函数中引入一个辅助约束项构成综合目标函数,并利用综合目标函数训练网络的输出层权值,采用牛顿法推导出训练输出层权值的递推公式.辅助约束项隐含有对网络输出平滑性的约束,提高了学习算法的稳定性.利用该算法对不同非线性函数生成的样本数据的学习结果表明,新算法的收敛速度、精度均优于Karayiannis等人的二阶学习算法.     

基于IT2-PCM的上肢外骨骼系统T-S模糊建模与预测控制

针对动态特性复杂的上肢外骨骼系统的模型建立、高精度控制和复杂约束处理问题,提出基于T-S模糊算法的改进多变量约束预测控制方法 .提出区间Ⅱ型可能性C-均值聚类算法,获取数据建模过程中的样本隶属度矩阵,建立上肢外骨骼的数学模型.对系统复杂约束问题提出一种约束简化方法,将复杂约束转化为关于参数矩阵μ的约束.提出一种加权基函数法,将基函数思想引入预测控制,推导出上肢外骨骼预测控制器.仿真结果验证了该算法的优越性与有效性.     

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.     

CDMA系统中新的变步长功率控制算法

CDMA系统中的功率控制技术是第三代移动通信的关键技术之一，本文分析了传统变步长功率控制算法的不足，阐述了马尔可夫过程理论和预测论在改进的变步长控制算法的优势，通过马尔可夫过程理论和预测论的优化组合，提出了一种基于功率控制指令斜率预测的新的自适应变步长功率控制算法。计算机仿真验证：新算法具有良好的性能，减少了功率控制的误差，提高了控制精度和收敛速度，扩大了功率控制算法跟踪的动态范围，增加了系统的稳定性。     

一种改进的GMDH算法

传统GMDH算法在进行多变量非线性建模时耗时较长,一定程度上限制了它的应用范围.针对这个问题,提出了一种改进的GMDH算法,扩大了每一个初始输入元素的信息含量,采用随机分组建立中间模型的方式代替原算法枚举出所有两两组合中间模型的方式,减少了中间模型的数量,提高了建模效率.将改进算法应用于中国GDP的趋势预测,结果表明与传统GMDH算法相比,在不牺牲预测精度的情况下,改进算法效率更高.     

一种改进的GMDH算法

传统GMDH算法在进行多变量非线性建模时耗时较长,一定程度上限制了它的应用范围.针对这个问题,提出了一种改进的GMDH算法,扩大了每一个初始输入元素的信息含量,采用随机分组建立中间模型的方式代替原算法枚举出所有两两组合中间模型的方式,减少了中间模型的数量,提高了建模效率.将改进算法应用于中国GDP的趋势预测,结果表明与传统GMDH算法相比,在不牺牲预测精度的情况下,改进算法效率更高.