基于神经网络的智能预测控制理论研究

论文摘要

预测控制算法最初是针对线性系统提出的。在对象只存在弱非线性时,采用这种线性预测控制算法是十分有效的,因为弱非线性可以视为一种模型失配,其影响可以通过系统的鲁棒性设计自然加以克服。然而,当对象有强非线性时,由于采用线性模型的输出预测与实际偏差较大,达不到优化控制的目的,因而必须基于非线性模型进行预测优化。本文以非线性系统为研究背景,以理论研究与仿真实验为重点,研究了基于神经网络辨识的动态矩阵预测控制新方法,其实质是利用作为对象辨识模型的神经网络产生输出预测,用滚动优化算法求出控制律,从而实现对非线性系统的预测控制。在课题研究中,完成的主要工作有:首先,对动态矩阵控制算法做了深入的探讨和研究,分析了动态矩阵预测控制的预测模型、反馈校正与滚动优化的特征及其稳定性、鲁棒性,并研究了相关参数对控制效果的影响。其次,针对BP和RBF神经网络的特点,分别研究了各自的改进算法,并分别将改进的BP和RBF神经网络与动态矩阵预测控制相结合,给出了基于改进的和神经网络辨识的动态矩阵预测控制算法,并将这两种算法应用到工业实际系统中,通过仿真证实了所给出新型算法的有效性和可行性。最后,将预测控制算法应用到移动机器人路径跟踪过程中,给出了用预测控制算法求取运动控制律的路径跟踪方法,并通过仿真试验验证了该方法的跟踪效果比较好,跟踪误差较小。

论文目录

• 摘要
• ABSTRACT
• 创新点摘要
• 前言
• 第一章 概述
• 1.1 预测控制研究的进展及存在的问题
• 1.1.1 预测控制研究的进展
• 1.1.2 预测控制存在的问题
• 1.2 本文研究的目的及意义
• 1.3 本论文所做的工作
• 第二章 预测控制理论研究
• 2.1 预测控制的基本原理
• 2.2 预测控制的基本结构
• 2.3 预测控制中预测模型的数学描述
• 2.4 动态矩阵控制算法
• 2.4.1 预测模型
• 2.4.2 反馈校正
• 2.4.3 计算最优控制律
• 2.4.4 动态矩阵预测控制相关参数分析
• 2.4.5 动态矩阵预测控制的稳定性和鲁棒性分析
• 2.4.6 动态矩阵控制算法的实现步骤
• 2.4.7 动态矩阵控制的仿真研究
• 2.5 小结
• 第三章 基于神经网络的动态矩阵预测控制研究
• 3.1 神经网络预测控制的基本结构
• 3.2 基于BP 神经网络的动态矩阵预测控制
• 3.2.1 基干BP 算法的多层前馈网络模型
• 3.2.2 BP 网络学习算法的改进
• 3.2.3 预测模型的建立
• 3.2.4 基于BP 神经网络动态矩阵预测控制律的计算
• 3.2.5 基于BP 网络的动态矩阵预测控制仿真
• 3.3 基于径向基函数的神经网络动态矩阵预测控制
• 3.3.1 径向基函数网络模型
• 3.3.2 径向基函数网络学习算法
• 3.3.3 径向基函数网络算法的实现方法
• 3.3.4 RBF 神经网络预测模型的建立
• 3.3.5 有延迟的动态矩阵预测（DMC）控制
• 3.3.6 基于RBF 网络的动态矩阵控制算法的实现
• 3.3.7 基于RBF 网络的动态矩阵控制算法的仿真研究
• 3.4 小结
• 第四章 预测控制在移动机器人轨迹跟踪中的应用
• 4.1 移动机器人的运动学模型
• 4.2 移动机器人的轨迹跟踪
• 4.2.1 轨迹推算
• 4.2.2 位姿估计
• 4.2.3 运动预测控制
• 4.2.4 基于仿真平台的实验及其分析
• 4.3 小结
• 结论
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要