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.     

基于状态相依RBF-ARX模型的非线性预测控制及应用

对于一类工作点时变的光滑非线性多变量系统,采用状态相依自回归(state-dependent auto-regressive with exogenous, SD-ARX)模型描述系统的非线性状态特征,用高斯径向基函数(radial basis function, RBF)神经网络近似SD-ARX模型的函数型系数,利用结构化非线性参数优化方法(structured nonlinear parameter optimization method, SNPOM)离线估计模型参数,并以状态信号量引导模型实时反映对象的动态特性,在此基础上设计的非线性预测控制器因避免了在线模型参数估计,可提高系统的实时性,并具有较好的控制效果。对四旋翼飞行器的实验结果验证了建模方法的有效性和控制方法的可行性。     

基扩展模型下基于LSTM神经网络的时变信道预测方法

针对高速移动正交频分复用系统, 提出了一种基扩展模型(basis expansion model, BEM)下基于长短期记忆(long short-term memory, LSTM)神经网络的时变信道预测方法。为了降低传统BEM的建模误差, 根据高速移动环境中不同列车在相同位置处的无线信道具有强相关性的特点, 首先基于历史时刻的信道状态信息获取最优的基函数, 并利用该基函数对信道进行建模。然后, 通过LSTM神经网络对信道基系数进行线下训练与线上预测来获取未来时刻信道信息, 大大降低了计算复杂度。在线下训练中, 将网络的逼近目标设置为信道估计值, 而不是理想的信道信息, 以增强预测模型的实用性。仿真结果表明, 相比现有方法, 新方法的计算复杂度较低, 且预测精度较高。     

一种基于相对模型的分布式预测控制算法研究

针对分布式系统中高精度的相对状态比绝对状态更易获取的特点,提出了一种基于相对状态模型的分布式预测控制方法.该方法的本质是各子系统通过预测其与相邻子系统的相对状态轨迹来求解分布式最优控制问题.与常规基于绝对状态的分布式预测控制方法相比,该方法的特点在于通过相对状态模型的引进改进算法的实时性,并通过减少测量噪声源提高控制精度.该方法适用于一般非线性分布系统,且在满足一定条件下能够保证整个系统的渐近收敛性.最后,在Matlab仿真环境中将该方法应用于多机器人编队控制中,并验证的该方法的可行性.     

加入预测信息的反馈误差学习模型及其仿真研究

针对非线性平衡控制问题，提出了一种加入预测信息的反馈误差学习（P-FEL）模型，该模型使用系统状态预测信息和反馈控制器的输出信号共同构成前馈神经网络控制器的教师信号，使用在线BP算法保证运动控制和运动学习同步进行。将P-FEL模型应用于倒立摆平衡控制的仿真实验结果表明，P-FEL模型可以有效地减少前馈神经网络控制器对反馈控制器参数的依赖性，同时还具有良好的平衡控制性能和鲁棒性。     

基于收缩序列集的约束PWA系统鲁棒预测控制

针对一类有附加有界扰动的约束离散时间分段仿射系统,提出了一种具有鲁棒稳定性保证的模型预测控制方法.通过多参数规划采用一步预测时域法离线计算具有收缩性质的鲁棒可稳定集系列,把它们作为优化问题的稳定约束,并选择一个鲁棒正不变集作为终端约束,使得优化问题的可行性即保证了系统的鲁棒稳定性.仿真实例表明提出的控制方法可使系统渐近稳定到鲁棒正不变集.     

连续混沌系统控制与同步状态反馈方法的扩展

在将连续时间混沌系统的控制与同步问题统一处理的基础上,系统的非线性部分满足可微的条件下,基于微分方程的稳定性理论,扩展了当前实现连续时间混沌系统控制与同步的反馈方法,不需要求解Lyapunov矩阵方程,也不需要构造Lyapunov函数,给出了一个新的判据。数值仿真结果表明改进的反馈方法是可行的和有效的。     

基于动态线性模型的民航发动机性能状态监控与在翼寿命预测

以民航发动机为对象,提出了一种基于动态线性模型的性能状态监控与在翼寿命预测方法.利用动态线性模型来描述性能参数偏差值序列,借助贝叶斯因子法来监测参数序列的异常.算例分析表明,该方法可操作性强,借助统计方法能够在故障发生的早期及时预警;动态线性模型同时用来描述发动机的性能退化过程,能够考虑维修、水洗以及故障等使用因素对性能退化的影响,实例证明该方法更加符合航空公司实际运营情况,能够更加合理地预测下发时间.     

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。     

非线性模型预测控制的智能算法综述

从非线性模型预测控制的预测模型建模和最优化问题求解两方面入手,介绍了近年来基于智能模型和智能优化算法的非线性系统预测控制方法,并对各种算法的特征进行了总结评述,指出了智能非线性预测控制方法存在的问题和未来的发展方向。     

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。     

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。     

基于扩展Hopfield模型的神经网络JPDA算法研究

研究了Hopfield模型的神经网络数据关联算法.在此基础上,通过引进扩展的Hop6e阳模型,建立了一种能够自动调节网络参数的神经网络数据关联算法,克服了神经网络数据关联算法应用过程中需要人工干预选择网络参数的缺点.仿真实验证明了新算法比JPDA算法具有更高的运行效率,而性能与其相同,是密集多回波环境中一种有效的关联算法.     

地形跟随中航迹跟踪模型预测控制方案设计

针对地形跟随飞行中的航迹跟踪问题,设计了航迹跟踪模型预测控制器,并讨论了模型预测控制中时域参数切换的自适应方案设计。首先,结合被控对象的特点,设计了用于实现全局稳定跟踪参考航迹的模型预测航迹控制器,并对控制器展开了稳定性分析。然后,充分发挥模型预测控制的预测能力,进行了航迹跟踪方法和综合误差评价策略设计。同时,通过分析不同航迹段的跟踪需求,设计了自适应调整模型预测控制中时域参数的优化方案。仿真验证结果表明,自适应方案相比固定时域方案航迹跟踪精度更高、飞行颠簸小、稳定性好,预设的评价指标函数能有效评估跟踪性能。     

基于C-R模糊模型的非线性预测控制

Cao和Ress提出的模糊模型（称为C-R模糊模型）由模糊推理和局部线性解析模型两部分组成，用隶属函数加权局部模型构成系统的全局非线性模型。本文提出了一种新的结构上与阶跃模型相类似的C-R模糊阶跃模型。并用DMC动态矩阵控制算法，求解基于该模型的非线性预测控制问题，得出了预测控制算法的解析形式，该方法克服了一般非线性预测控制算法求解困难的缺陷。     

基于扩展有效的逆DEA模型

为了克服决策单元在有效性的评价和排序方面占主导地位的缺陷,在扩展DEA模型的基础上,对于输出减少时的逆DEA问题进行了讨论.通过求解相应的多目标规划问题(VP),得到了多目标规划(VP)的Pareto弱有效解与评价减少了输出的决策单元的规划问题的最优值之间的一些相关性质.对于决策单元为弱DEA有效的情形,也进行了类似的讨论.最后用数值实例加以说明.     

基于状态转移ARCH模型的中国股市波动性研究

通过引入波动性状态转移的ARCH(SWARCH)模型对中国股票市场的波动性进行了研究．SWARCH模型较传统的ARCH类模型显著地提高了股票市场波动性的描述与预测能力．实证结果表明，促使中国股市低波动性状态向高波动性状态转移的主要原因是股市的政策因素，这与因为实体经济基础的变化而促使美国股市波动性状态转移有着本质的区别．     

分布式模型预测控制方法的研究

对分布式模型预测控制的相关领域进行评述,从应用角度对分布式模型预测控制进行分类,分析了模型结构的分解方法,控制问题分解及各控制子问题的求解方法,以及各控制器之问如何交换信息以取得最优解.概述了不同分布式模型预测控制策略的系统分析成果,对现有研究的不足进行了评述,提出了分布式模型预测控制算法的进一步发展方向.     

基于支持向量机的非线性模型预测控制

支持向量机是基于统计学习理论的新一代机器学习技术。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它把非线性问题转化为线性问题来解决,降低了算法的复杂度。提出了一种基于支持向量机的模型预测控制结构,并使用一个新的随机搜索优化算法来求解预测控制律,计算机仿真证明了所设计的控制算法的正确性和有效性。     

基于EGARCH和C-F扩展的VaR模型及应用

分别运用EGARCH和Cornish—Fisher扩展的VaR模型对中国深、沪股市的期望收益率与风险进行了实证比较研究，发现结合异方差的Cornish—Fisher扩展的VaR模型与仅用波动率描述的VaR计量方法比较，具有较好修正作用；同时对中国股票市场风险成因作了初步探讨。