基于極值學習機的模塊化模型辨識及控制.pdf

1、實際工業(yè)過程在某種程度上都是非線性的，因此建立精確有效的非線性模型是控制器設計、優(yōu)化和預測的基礎。模塊化非線性模型不僅結構簡單，而且可以準確的描述非線性系統(tǒng)，因此受到人們的廣泛關注。模塊化非線性模型由一個靜態(tài)非線性函數(shù)和一個線性動態(tài)函數(shù)按一定的形式串聯(lián)而成。按照線性系統(tǒng)和非線性系統(tǒng)的連接順序不同，主要分為Wiener模型和Hammerstein模型。本文中利用極值學習機這種結構簡單的神經(jīng)網(wǎng)絡表示非線性子模塊，有效地解決了靜態(tài)非線性部分的

2、描述問題。本文針對模型辨識和預測控制問題，做的主要工作有：
　　首先，基于極值學習機構建了一種線性部分由ARX模型表示，非線性部分由ELM模型表示的ELM-Hammerstein模型。在此模型基礎上提出了一種Hammerstein模型的在線辨識方法。并且，在遞推最小二乘法中引入變遺忘因子，相對于常值遺忘因子遞推最小二乘法提高了辨識精度，保證了算法的收斂性和穩(wěn)定性。
　　其次，針對Wiener模型中子模型的表示問題，采用能夠以

3、很高的精度表示任意的線性動態(tài)系統(tǒng)的Laguerre正交濾波器表示線性子系統(tǒng)，并采用極值學習機描述模型非線性子系統(tǒng)，構建Laguerre-ELM Wiener模型。在模型階次的確定過程中，采用Lipschitz商準則辨識模型的階次。在對幾種測試函數(shù)的試驗中，通過與其他幾種方法對比，驗證了本文所提出方法的有效性。
　　最后，在已經(jīng)被辨識的Laguerre-ELM Wiener模型基礎上，提出一種模型預測控制算法?？刂破髟O計時通過引入非