基于RBF神经网络的预测控制在非线性滞后系统中的应用研究

摘要

滞后环节普遍存在于工业生产过程中，对控制系统的性能产生极为不利的影响，甚至引起闭环系统的不稳定或根本无法对系统进行有效的控制。因此，滞后系统的建模与控制方法一直是控制领域的研究难点。 解决滞后问题的关键是对系统未来时刻的输出做出准确的预测，从而克服滞后环节对系统造成的影响，因此采用预测控制算法非常适合解决滞后系统的控制难题。由于径向基函数(RBF)神经网络可以逼近任意非线性函数，且具有计算量小、收敛速度快、无局部极小等优点，本文选用RBF神经网络建立非线性滞后系统的预测模型。首先，针对RBF神经网络存在网络参数对初始值敏感的问题，提出了基于FCM(模糊C均值)的网络参数初始值确定方法，并将其和全监督算法相结合，构成了RBF神经网络的学习算法。仿真研究表明，该学习算法能够避免上述问题，使网络不仅准确地反映了系统特性，而且具有较好的收敛性和泛化能力。其次，研究了基于RBF神经网络的时滞辨识方法，并根据所辨识的纯滞后时间，基于RBF神经网络单步预测模型，采用递推算法和非递推算法分别建立了系统的多步预测模型。仿真研究表明，基于RBF神经网络的递推多步预测模型更适用于滞后系统的建模。最后，针对具有非线性和滞后特性的系统设计了基于RBF神经网络的最优预测控制器和神经元自适应PID控制器。仿真结果表明，上述两种基于RBF神经网络的预测控制方法都可以很好地逼近期望输出序列，具有良好的自适应性、鲁棒性和抗干扰能力。

目录

文摘

英文文摘

声明

第一章绪论

1.1选题背景和研究意义

1.2大时滞系统控制的难点

1.3大时滞系统控制方法的研究现状

1.3.1自整定PID控制

1.3.2 Smith预估控制

1.3.3大林算法

1.3.4模糊控制

1.3.5神经网络控制

1.3.6预测控制

1.3.7其它控制方法

1.3.8大时滞系统控制的研究方向

1.4本文的主要工作

第二章RBF神经网络

2.1引言

2.2 RBF神经网络理论基础

2.3 RBF神经网络学习算法

2.3.1传统学习算法

2.3.2基于FCM的学习算法

2.4网络结构的确定

2.5仿真研究

2.6小结

第三章基于RBF神经网络的多步预测模型

3.1时滞辨识方法

3.1.1传统的时滞辨识方法

3.1.2基于RBF神经网络的时滞辨识方法

3.1.3仿真研究

3.2非线性系统建模

3.3基于RBF神经网络的多步预测模型

3.3.1递推多步预测模型

3.3.2非递推多步预测模型

3.3.3两种预测模型的比较

3.3.4仿真研究

3.4小结

第四章基于RBF神经网络的预测控制

4.1神经网络控制与预测控制的结合

4.2预测控制简介

4.3预测控制的基本原理

4.3.1预测模型

4.3.2滚动优化

4.3.3反馈校正

4.4基于RBF神经网络的最优预测控制

4.4.1预测模型

4.4.2参考轨迹

4.4.3反馈校正

4.4.4滚动优化

4.5基于RBF神经网络的神经元自适应PID预测控制

4.5.1 RBF神经网络预测模型

4.5.2神经元自适应PID算法

4.6仿真研究

4.7小结

第五章结论与展望

5.1结论

5.2展望

参考文献

致谢