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.     

基于神经网络的动态矩阵控制

利用神经网络优化性能指标实现了动态控制，并给出了计算机模拟实例。     

基于动态递归神经网络的动态矩阵控制

给出了劝态递归神经网络（DRNN）重构一个非线性动态过程的方法,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征,容易实现并进行稳定性分析,利用训练好的网络作为预估模型,设计了基于DRNN的动态矩阵控制算法,仿真结果表明了权值调整算法和控制策略的有效性。     

基于动态反馈神经网络的复杂系统预测控制

在分析基于动态反馈神经网络(DRNN:Dynamic Recurrent Neural Network)的模型预测控制策略的基础上,为改善Elman网络辨识高阶系统时的计算复杂性,采用具有局部动态反馈特性的Elman网络进行线性系统状态空间模型的在线辨识.基于跟踪器型性能指标的预测控制器对系统进行滚动优化,并对动态反馈神经网络逼近状态空间模型进行了证明.对过程控制装置三容系统进行了仿真研究,通过离线训练方式获得网络初值的选择.仿真结果表明,此算法能使系统的输出保持期望轨迹,并能有效处理系统本身的输入、输出约束条件.     

基于RBF神经网络的动态矩阵控制算法

利用RBF网络对DMC算法进行结构上的改进,并用RBF网络的逼近性能建立预测模型,提出一种基于RBF神经网络建模的动态矩阵控制算法,并用该算法对典型的时滞系统进行仿真试验,结果表明该算法具有较高的控制精度和响应速度.     

基于动态BP网络误差修正的广义预测控制

针对建模误差对非线性系统预测控制鲁棒性的影响，提出了一种基于动态Bp网络的广义预测控制算法。该算法运用动态Bp网络对模型预测误差进行在线补偿，以提高预测精度。仿真结果证明了本文提出的广义预测控制算法对于非线性系统是有效的。     

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.     

基于动态递归神经网络的动态矩阵控制

给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征 ,容易实现并进行稳定性分析。利用训练好的网络作为预估模型 ,设计了基于DRNN的动态矩阵控制算法。仿真结果表明了权值调整算法和控制策略的有效性     

基于BP神经网络的道路交通事故预测

以我国近年来道路交通事故统计资料为基础,采用改进型BP神经网络,建立起我国道路交通事故发生的时间序列模型,该模型可用于短期内道路交通事故多少的预测。     

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。     

动态矩阵控制的截断误差校正

动态矩阵控制（ＤＭＣ）的模型向量存在截断误差时会使系统产生动态偏差．截断误差越大，动态偏差亦越大，甚至造成系统不稳定．文中分析了产生动态偏差的机理，提出了一种根据截断误差大小选取不同位移矩阵来校正截断误差的方法，减小了截断误差对系统性能的影响．改进后的ＤＭＣ允许模型向量存在一定的截断误差，从而能以较小的建模时域或较高的采样频率实现高性能的ＤＭＣ．仿真结果表明，该方法几乎能完全消除模型向量截断误差的影响，适用于开环阶跃响应为Ｓ形的对象以及开环响应最后区段单调变化的对象．     

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。     

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。     

一种基于RBF神经网络预测模型的DMC预测控制

研究了一种利用RBF神经网络预测模型的动态矩阵控制算法,首先利用动态节点生成构造性RBF神经网络辨识对象模型,同时预测对象的未来输出,然后用传统的动态矩阵控制算法进行滚动优化和反馈校正。仿真表明该算法在非线性对象的任意工作点都可以通过神经网络辨识获得工作点附近的近似线性模型,具有较好的实时性。     

基于BP神经网络的CVC冷连轧机板形预测控制模型

将ＢＰ神经网络建模方法与预测控制思想相结合用于宽带钢板形自动控制,研究并建立了基于ＢＰ神经网络的板形预测控制数学模型,经用宝钢１４２０ｍｍ冷轧实测数据仿真验证表明该模型具有很高的预测精度。     

基于动态矩阵控制算法的电加热炉温度控制系统

本文把近来在工业中广泛采用的动态矩阵控制（DMc）应用到力学持久机电加热炉的温度控制中，实验结果证实DMC不但克服了建模的不精确性和参数的时变性，而且可以根据给定的期望曲线，使升温过程保持一个特定的曲线。     

基于船舶预报模型的动态定位控制

根据船舶定位的原理和特点，设计了基于ANFIS自适应模糊神经网络预报模型的控制方法．该方法对影响船舶定位的各种无规律运动的海浪、风、水流等因素，通过MISO ANFIS模糊神经网络的结构，给出影响船舶定位的预报模型，从而建立船舶控制模型．以混合式的学习算法为基础，对条件参数采用反向传播算法，而结论参数采用线性最小二乘估计算法来调整参数．使控制快速准确，实现了船舶推进装置的最优控制，达到船舶精确定位的目的．     

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BP神经网络的城市供水系统管网预测

针对城市供水系统的复杂性、非线性、时变化性以及多因素影响的特点，探讨了建立基于BP神经网络城市供水管网预测的原理，阐述了建立基于BP网络的城市供水时序预测模型方法．根据管网的节点压力历史数据纪录，建立基于神经网络的管网压力时序预测模型，对未来某一时段的节点压力进行预测．从预测过程和结果分析，基于BP神经网络城市供水管网预测方法操作简单，运行速度快，误差修正方便，精度高．图2，表1，参12．