非线性系统的神经网络预测控制研究

论文摘要

本文以工程实际广泛存在的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(DMC)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。神经网络分别选用具有良好非线性逼近能力的BP网络和RBF网络,其与动态矩阵预测控制算法相结合,针对非线性系统,对比研究了基于以上两种神经网络的非线性预测控制技术。研究了基于人工免疫算法的RBF网络的在线训练方法,并将其应用到RBF网络预测控制系统中。由于人工免疫算法有全局寻优的能力,且具有鲁棒性好、算法复杂性低、计算效率高等优点,以此方法设计的控制器在系统参数摄动较大时仍能取得很好的控制效果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题的目的和意义
• 1.2 预测控制的国内外研究现状与发展趋势
• 1.3 本文主要研究内容
• 2 预测控制原理
• 2.1 预测控制的基本理论
• 2.1.1 预测控制提出的背景
• 2.1.2 预测控制的基本原理与结构
• 2.1.3 预测控制中预测模型的数学描述
• 2.2 动态矩阵控制（DMC）
• 2.2.1 动态矩阵控制算法
• 2.2.2 相关参数分析
• 2.2.3 DMC的稳定性和鲁棒性
• 2.2.4 动态矩阵控制算法的实现步骤
• 2.3 本章小节
• 3 神经网络原理及其辨识中的应用
• 3.1 神经网络的基本原理
• 3.1.1 神经元及其网络构成
• 3.1.2 神经网络的类型
• 3.1.3 神经网络的学习方式
• 3.1.4 神经网络的特点
• 3.1.5 常用的神经网络
• 3.2 多层前向神经网络及误差反向传播（BP）算法
• 3.2.1 误差反向传播（BP）算法
• 3.2.2 BP学习算法注意事项
• 3.2.3 带动量项的自适应调整学习率的BP算法
• 3.2.4 BP神经网络辨识仿真
• 3.3 RBF神经网络
• 3.3.1 RBF神经网络概述
• 3.3.2 网络模型
• 3.3.3 基于人工免疫的RBF网络的训练
• 3.3.4 RBF神经网络辨识仿真
• 3.4 本章小结
• 4 基于BP神经网络的预测控制研究
• 4.1 神经网络预测控制的一般结构
• 4.2 BP神经网络动态矩阵预测控制
• 4.2.1 BP神经网络动态矩阵预测控制的结构
• 4.2.2 BP神经网络动态矩阵预测模型的建立
• 4.2.3 BP神经网络动态矩阵预测控制律的计算
• 4.3 基于BP神经网络的动态矩阵预测控制的仿真研究
• 4.4 本章小结
• 5 基于RBF神经网络的预测控制研究
• 5.1 RBF神经网络预测控制
• 5.1.1 RBF网络预测控制建模
• 5.1.2 RBF网络预测控制的优化计算
• 5.2 一种基于RBF网络的动态矩阵预测控制
• 5.2.1 非线性动态矩阵预测模型
• 5.2.2 非线性方程组迭代算法
• 5.2.3 RBF网络预测模型与动态系数矩阵的确定
• 5.3 基于RBF网络的动态矩阵预测控制的仿真研究
• 5.4 本章小结
• 6 结论
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文