一般化學習網(wǎng)絡(luò)在非線性系統(tǒng)辨識及預測控制中的應(yīng)用研究.pdf

1、智能預測控制是針對復雜的受控系統(tǒng)，采用某種智能模型與典型的預測控制算法相結(jié)合構(gòu)成的一類智能型預測控制系統(tǒng)，它彌補了傳統(tǒng)預測控制算法精度不高、僅適用于線性系統(tǒng)、缺乏自學習和自組織功能、魯棒性不強的缺陷。智能預測控制可以處理非線性、多目標、約束條件等異常情況。因此，智能預測控制是當前預測控制研究的熱點之一。本文主要研究一種新型神經(jīng)網(wǎng)絡(luò)即一般化學習網(wǎng)絡(luò)(Universal Lgaming Network)在非線性系統(tǒng)辨識以及預測控制中的應(yīng)用。

2、 一般化學習網(wǎng)絡(luò)具有節(jié)點之間有多重分支、任意兩個節(jié)點互連且節(jié)點之間可具有任意的時間延遲的特點，因此能夠應(yīng)用在高度非線性復雜系統(tǒng)的辨識中。本文首先詳細介紹了一般化學習網(wǎng)絡(luò)的結(jié)構(gòu)以及學習算法后，將該網(wǎng)絡(luò)應(yīng)用于對機器人手臂的實測信號進行系統(tǒng)辨識，通過系統(tǒng)仿真驗證了具有多重分支的一般化學習網(wǎng)絡(luò)優(yōu)于單分支的神經(jīng)網(wǎng)絡(luò)。然后分別用一般化學習網(wǎng)絡(luò)和常規(guī)的遞歸神經(jīng)網(wǎng)絡(luò)Elman對多變量連續(xù)釜式反應(yīng)器(CSTR)進行系統(tǒng)辨識比較，仿真結(jié)果進一步驗證

3、了一般化學習網(wǎng)絡(luò)結(jié)構(gòu)比遞歸神經(jīng)網(wǎng)絡(luò)Elman的辨識精度更高，且網(wǎng)絡(luò)結(jié)構(gòu)更簡潔緊湊。 基于一般化學習網(wǎng)絡(luò)對復雜系統(tǒng)良好的辨識能力，本文提出了將一般化學習網(wǎng)絡(luò)應(yīng)用于非線性系統(tǒng)預測控制中，利用一般化學習網(wǎng)絡(luò)構(gòu)建一個一般化學習網(wǎng)絡(luò)預測模型(ULNP)來預測模型未來時刻的輸出值，然后利用BP神經(jīng)網(wǎng)絡(luò)控制器(NNC)實現(xiàn)基于模型的預測控制。本文詳細描述了一般化學習網(wǎng)絡(luò)預測模型和神經(jīng)網(wǎng)絡(luò)預測控制器模型及其在線學習的推導過程。仿真結(jié)果證實了所提