有界导数神经网络非线性预测控制应用研究

摘要

神经网络的学习过程是一个优化的过程，即根据具体的误差信息来合理地选择网络的权重。在网络模型的输入与输出关系的建立中，最重要的指导信息是输入与输出之间的导数关系，只有正确建立了这种导数关系才能建立输入与输出之间正确的数值对应关系。 目前，神经网络的优化学习算法，仅利用网络的输出数据误差作为指导信息来进行网络训练，没有有效引入模型的导数信息，导致网络泛化能力差、实用性不大。单纯将输出数据误差最小作为标准来指导网络进行训练，其本质只是对样本数据精确插值，而这样的插值是非光滑的，从而对非样本数据产生较大误差。因此，在网络训练过程中，除了考虑样本数据所提供的信息外，还应该考虑到模型的导数信息，并把它转化为约束形式引入到网络学习优化过程当中。本文主要研究了带约束的神经网络训练算法，并将该神经网络应用到非线性预测控制中。 本文的主要内容和创新点包括： （1）使用两种不同的方法对神经网络进行带约束的训练，通过罚函数神经网络和有界导数神经网络的训练结果，分析了这两种方法存在的优缺点。 （2）使用有界导数神经网络＼对模型的稳态部分进行建模，并与DMC算法相结合，对其中的预测模型进行实时的增益调度，从一定程度上改善了控制的品质。 （3）通过改变有界导数神经网络的网络结构，将该网络从静态网络转变为了动态网络，同时仍然使得该网络保持了其在静态时拥有的导数约束能力，使得有界导数神经网络拥有了可以对对象的静态和动态两部分进行建模的能力。

目录

文摘

英文文摘

第一章绪论

1.1研究背景及意义

1.2人工神经网络的发展

1.3人工神经网络结构介绍

1.3.1神经元

1.3.2网络结构

1.3.3网络学习规则

1.3.4网络分类

1.3.5应用领域

1.4神经网络在控制中的应用

1.5预测控制发展介绍

1.6有约束神经网络研究现状

1.7本文主要研究内容

第二章导数约束神经网络算法研究

2.1引言

2.2 BP神经网络简介

2.3 BP网络缺陷分析

2.4.罚函数法神经网络训练算法研究

2.4.1目标函数

2.4.2训练算法

2.4.3仿真

2.4.4结论

2.5有界导数神经网络训练算法研究

2.5.1传输函数

2.5.2训练优化命题

2.5.3训练算法

2.5.4仿真

2.5.5结论

2.6本章小结

第三章 有界导数神经网络增益调度DMC研究

3.1引言

3.2 DMC算法介绍

3.2 DMC增益调度

3.2.1传统预测模型缺点

3.2.2 DMC增益调度算法

3.3仿真

3.3.1 CSTR模型

3.3.2神经网络建模

3.3.3增益调度

3.3.4结论

3.4本章小结

第四章动态有界导数神经网络研究

4.1引言

4.2动态神经网络

4.3动态有界导数神经网络

4.3.1动态网络结构

4.3.2训练算法

4.4仿真

4.4.1训练数据

4.4.2 NARX神经网络

4.4.3动态有界导数神经网络

4.5本章小结

第五章总结与展望

参考文献

致谢