非線性時(shí)滯系統(tǒng)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)辨識和預(yù)測控制研究.pdf

1、現(xiàn)在大多工業(yè)過程都存在非線性和時(shí)滯的現(xiàn)象，如高純蒸餾塔，高放熱化學(xué)反應(yīng)，pH中和過程，冷卻處理，生化過程等等。非線性時(shí)滯系統(tǒng)的辨識和控制，一直以來受到研究者們廣泛關(guān)注。本文是在前人的研究基礎(chǔ)之上，利用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)來處理非線性時(shí)滯系統(tǒng)的辨識和控制問題。
　　本文研究的主要內(nèi)容和創(chuàng)新點(diǎn)如下:
　　1、針對非線性時(shí)滯系統(tǒng)，利用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)即動(dòng)態(tài)極限學(xué)習(xí)機(jī)和遞歸網(wǎng)絡(luò)來辨識，提出了動(dòng)態(tài)極限學(xué)習(xí)機(jī)算法和準(zhǔn)線性遞歸神經(jīng)網(wǎng)絡(luò)算法，本文重點(diǎn)研

2、究的是準(zhǔn)線性遞歸網(wǎng)絡(luò)算法。相比于極限學(xué)習(xí)機(jī)，動(dòng)態(tài)極限學(xué)習(xí)機(jī)的創(chuàng)新之處在于其結(jié)構(gòu)上只有兩個(gè)輸入節(jié)點(diǎn)，且在其輸入層節(jié)點(diǎn)和隱含層節(jié)點(diǎn)之間引入可調(diào)節(jié)的時(shí)滯參數(shù)，時(shí)滯參數(shù)用粒子群算法來優(yōu)化，適合處理帶有時(shí)滯的非線性系統(tǒng)。但是，由于動(dòng)態(tài)極限學(xué)習(xí)機(jī)容易產(chǎn)生過擬合，隨機(jī)性較強(qiáng)等缺點(diǎn)，本文基于遞歸神經(jīng)網(wǎng)絡(luò)提出準(zhǔn)線性遞歸神經(jīng)網(wǎng)絡(luò)方法，該算法將遞歸神經(jīng)網(wǎng)絡(luò)嵌入到準(zhǔn)線性模型中，宏觀上可以看成一個(gè)準(zhǔn)ARX模型。在辨識過程中可以將其分解成線性部分和非線性部分。其中

3、線性部分采用遞推最小二乘來辨識，非線性部分采用遞歸神經(jīng)網(wǎng)絡(luò)來辨識。最后通過兩個(gè)實(shí)驗(yàn)來證明辨識的有效性，且與動(dòng)態(tài)極限學(xué)習(xí)機(jī)辨識作對比，實(shí)驗(yàn)仿真證明準(zhǔn)線性遞歸神經(jīng)網(wǎng)絡(luò)辨識效果更好。
　　2、在動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)辨識的研究基礎(chǔ)之上，對其進(jìn)行預(yù)測控制研究。因?yàn)閯?dòng)態(tài)極限學(xué)習(xí)機(jī)容易產(chǎn)生過擬合，隨機(jī)性較強(qiáng)，不適合用于預(yù)測控制，且基于準(zhǔn)線性遞歸網(wǎng)絡(luò)的辨識效果更好?；诖?，本課題采用準(zhǔn)線性遞歸神經(jīng)網(wǎng)絡(luò)來對系統(tǒng)進(jìn)行控制。在提出的準(zhǔn)線性遞歸神經(jīng)網(wǎng)路控制、中，