基于一般化学习网络的非线性系统预测、辨识及内模控制方法研究

摘要

人工神经网络由于具有非线性映射、自学习、自适应与函数逼近、大规模并行分布处理等功能，被广泛应用到时间序列预测，非线性系统建模及智能控制中。与传统的神经网络相比，一般化学习网络（Universal Learning Network，ULN）具有简洁、紧凑、易操作的网络结构，网络各节点之间具有多重双向连接，各节点之间的分支数和分支上的延迟时间可以任意设置，是现有神经网络结构的一个超集。 本文在前人研究的基础上，针对混沌时间序列预测、非线性多变量系统辨识、内模控制等，主要做了以下工作： 1、结合基本粒子群算法（PSO）和梯度下降法，提出一种混合的粒子群算法，并将其应用到一般化学习网络的训练中，通过对典型Logistic混沌时间序列的成功预测，说明了这种优化算法的有效性。 2、基于酿酒酵母发酵过程的非线性状态方程，充分利用一般化学习网络结构中节点和分支的特点，提出了一种基于状态方程的一般化学习网络辨识结构，仿真结果说明，这种新结构比传统的结构更具有目的性和物理含义、辨识精度更高。 3、以连续搅拌反应釜（CSTR）为例，对现有一般化学习网络分支上的时间延迟进行优化训练，辨识结果表明，这种改进可以有效的提高CSTR这类具有滞后环节的复杂非线性系统的建模精度 4、将一般化学习网络和模糊理论相结合，提出了一种改进的神经网络内模控制方法（改进的ULN-IMC）。仿真结果表明，改进的ULN-IMC可有效的提高CSTR的跟踪和抗扰动定值控制过程。

目录

文摘

英文文摘

声明

第一章绪论

1.1引言

1.2研究背景及现状

1.3本文研究内容

第二章一般化学习网络

2.1一般化学习网络的结构及设汁方法

2.1.1一般化学习网络的基本结构

2.1.2一般化学爿网络的常见设计方法

2.2一般化学习网络的学习算法

2.2.1梯度下降法(GDM)

2.2.2改进的网络结构及其梯度下降法

2.2.3基于RasID随机搜索算法的一般化学习网络

第三章 一般化学习网络在混沌时间序列预测中的应用

3.1混沌时间序列预测

3.1.1混沌时间序列

3.1.2时间序列预测

3.1.3混沌时间序列预测

3.1.4混沌时间序列的典型例子

3.2神经网络在混沌时间序列中的应用

3.2.1概述

3.2.2 BP网络

3.2.3 BP网络学习算法的改进

3.2.4基于改进算法的BP网络的预测

3.3混合粒子群算法在一般化学习网络中的应用

3.3.1基本粒子群算法(PSO)

3.3.2混合粒子群算法优化一般化学习网络

3.4混沌时间序列预测结果

3.4.1基于梯度下降法的一般化学习刚络的预测结果

3.4.2基于混合粒子群算法的一般化学习网络的预测结果

3.5本章小结

第四章 一般化学习网络在酿酒酵母发酵过程中的应用

4.1酿酒酵母发酵过程

4.1.1酿酒酵母发酵过程概述

4.1.2酿酒酵母发酵过程的数学模型

4.1.3实验数据

4.2神经网络辨识

4.2.1神经网络正模型辨识

4.2.2神经网络逆模型辨识

4.3一般化学习网络对酿酒酵母发酵过程的建模

4.3.1建模数据的选取

4.3.2基于状态方程的一般化学习网络结构的确定

4.4建模结果

4.5本章小结

第五章改进的一般化学习网络内模控制在CSTR中的应用

5.1连续搅拌反应釜系统(CSTR)

5.2内模控制

5.2.1内模控制概述

5.2.2内模控制基本原理

5.2.3神经网络内模控制

5.3模糊控制器设计

5.3.1模糊控制器的组成

5.3.2模糊控制器设计中的一些问题

5.4改进的一般化学习网络对CSTR建模

5.4.1改进的一般化学习网络算法及建模设计

5.4.2建模仿真结果

5.5改进的一般化学习网络内模控制

5.5.1改进的ULN—IMC的设计

5.5.2 CSTR控制系统的建立

5.5.3仿真结果

5.6本章小结

第六章 总结和展望

参考文献

致 谢

研究成果及发表的学术论文

作者和导师简介