非线性时滞系统动态神经网络辨识和预测控制研究

摘要

现在大多工业过程都存在非线性和时滞的现象，如高纯蒸馏塔，高放热化学反应，pH中和过程，冷却处理，生化过程等等。非线性时滞系统的辨识和控制，一直以来受到研究者们广泛关注。本文是在前人的研究基础之上，利用动态神经网络来处理非线性时滞系统的辨识和控制问题。
　　本文研究的主要内容和创新点如下:
　　1、针对非线性时滞系统，利用动态神经网络即动态极限学习机和递归网络来辨识，提出了动态极限学习机算法和准线性递归神经网络算法，本文重点研究的是准线性递归网络算法。相比于极限学习机，动态极限学习机的创新之处在于其结构上只有两个输入节点，且在其输入层节点和隐含层节点之间引入可调节的时滞参数，时滞参数用粒子群算法来优化，适合处理带有时滞的非线性系统。但是，由于动态极限学习机容易产生过拟合，随机性较强等缺点，本文基于递归神经网络提出准线性递归神经网络方法，该算法将递归神经网络嵌入到准线性模型中，宏观上可以看成一个准ARX模型。在辨识过程中可以将其分解成线性部分和非线性部分。其中线性部分采用递推最小二乘来辨识，非线性部分采用递归神经网络来辨识。最后通过两个实验来证明辨识的有效性，且与动态极限学习机辨识作对比，实验仿真证明准线性递归神经网络辨识效果更好。
　　2、在动态神经网络辨识的研究基础之上，对其进行预测控制研究。因为动态极限学习机容易产生过拟合，随机性较强，不适合用于预测控制，且基于准线性递归网络的辨识效果更好。基于此，本课题采用准线性递归神经网络来对系统进行控制。在提出的准线性递归神经网路控制、中，神经网络不再是直接用作预测模型和控制器，而是间接地嵌套在准线性模型中。在准线性递归网络预测控制中控制律只需一步求导，求解简单易行。而基于递归神经网络的预测控制中控制律求解过程较繁琐，且容易出现梯度消失现象。最后理论和仿真实验表明基于准线性递归神经网络的预测控制可以对系统进行很好控制。

目录

声明

摘要

第一章 绪论

1．1 引言

1．2 非线性时滞系统辨识研究现状

1．2．1 神经网络在时滞非线性系统辨识中应用研究

1．3 非线性时滞系统预测控制研究现状

1．3．1 神经网络在非线性时滞系统预测控制中应用研究

1．4 本文研究的主要内容及创新点

第二章 基础理论知识介绍

2．1 引言

2．2 动态极限学习机结构和算法

2．2．1 极限学习机模型

2．2．2 动态极限学习机模型

2．3 递归神经网络理论和方法

2．4 本章小结

第三章 基于动态神经网络的系统辨识研究

3．1 引言

3．2 基于动态极限学习机的时滞系统辨识

3．2．1 粒子群算法优化时滞参数

3．3 实验结果与分析

3．3．1 pH中和过程

3．3．2 非线性动态过程

3．4 基于准线性递归神经网络的系统辨识

3．4．1 问题描述

3．4．2 嵌入递归神经网络

3．4．3 准线性递归神经网络辫识

3．5 实验结果与分析

3．5．1 实验一

3．5．2 实验二

3．6 本章小结

第四章 基于动态神经网络的预测控制研究

4．1 引言

4．2 递归神经网络预测控制研究

4．2．1 递归网络预测模型建立

4．2．2 递归网络预测模型反馈校正

4．2．3 递归网络梯度下降法求解控制律

4．2．4 实验结果与分析

4．3 准线性递归神经网络预测控制研究

4．3．1 预测模型输入线性化

4．3．2 控制律求取

4．3．3 实验结果与分析

4．4 本章小结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

研究成果及发表的学术论文

导师和作者简介