基于神经网络的晶体生长预测控制

论文摘要

本文在研究了预测控制原理、神经网络和遗传算法理论的基础上，针对预测控制中存在的模型预测精度不高、滚动优化策略少，不适用于非线性对象的问题，提出了基于神经网络的预测控制。利用神经网络的非线性逼近性能来建立被控过程的预测模型，运用遗传算法来优化神经网络的权值，不仅学习收敛快，学习精度高，而且很好的摆脱了BP算法所面临的局部极值和初始权值的限制；采用遗传算法作为预测控制的滚动优化策略，避免了梯度算法中的多次求导运算的问题，从而使得求解过程简化。在晶体生长这一时变、时滞、非线性系统的仿真研究中，这种控制策略取得了良好的控制效果。

论文目录

• 第一章 绪论
• 1.1 问题的提出
• 1.2 预测控制的发展概况
• 1.3 神经网络的发展概况
• 1.4 智能优化算法的概况
• 1.5 本文的主要研究工作
• 第2章 预测控制基本原理及其控制算法
• 2.1 预测控制概述
• 2.2 预测控制基本原理
• 2.3 三种典型控制算法
• 2.3.1 模型算法控制
• 2.3.2 动态矩阵控制
• 2.3.3 广义预测控制
• 2.4 本章小结
• 第三章 神经网络基本原理及其学习算法
• 3.1 神经网络简介
• 3.2 误差反传（BP）网络
• 3.2.1 BP学习算法
• 3.2.2 BP算法的限制与不足
• 3.3 BP网络的改进算法
• 3.3.1 基于标准梯度法的网络训练算法
• 3.3.2 基于数值优化方法的网络训练算法
• 3.4 本章小结
• 第4章 基于 BP神经网络的系统辨识
• 4.1 系统辨识的基本知识
• 4.1.1 系统辨识的定义
• 4.1.2 系统辨识的常用方法
• 4.2 基于神经网络的系统辨识原理
• 4.3 基于 BP神经网络的系统辨识
• 4.4 神经网络的初始权值对学习过程的影响
• 4.5 神经网络隐含层神经元个数设计
• 4.6 神经网络泛化性能分析
• 4.7 仿真研究
• 4.8 本章小结
• 第5章 遗传算法以及遗传算法在神经网络中的应用
• 5.1 遗传算法基本原理
• 5.2 遗传算法的特点
• 5.3 遗传算法的神经网络中的应用
• 5.3.1 遗传算法优化神经网络的基本思想
• 5.3.2 遗传算法优化神经网络的权值
• 5.4 基于遗传算法训练的神经网络在系统辨识中的应用
• 5.4.1 遗传算法的设计
• 5.4.2 仿真研究
• 5.5 本章小结
• 第六章 基于神经网络的预测控制在晶体生长中的仿真研究
• 6.1 应用背景
• 6.2 基于神经网络模型的晶体生长预测控制
• 6.2.1 基于神经网络的非线性系统模型及其预测
• 6.2.2 预测控制系统的参数选择
• 6.2.3 基于遗传算法的滚动优化
• 6.2.4 控制算法的实现步骤
• 6.3 仿真研究
• 6.4 本章小结
• 结束语
• 参考文献
• 致谢
• 个人简历