基于Hammerstein模型的非线性预测函数控制

提出了只需线性动态优化的基于Hammerstein模型的非线性预测函数控制策略，其中非线性控制器由一个线性的预测函数控制器Hammerstein模型的非线性部分的反函数组成，实现了线性控制器的输出uPFC与闭环系统内部模型线性部分的输入完全一致，使模型的输出ym只依赖于uPFC，通过这种方式实现了非线性预测函数控制策略只需线性优化而不需要非线性滚动优化。过程的预测输出只需应用模型参数直接计算得到而不需要求解丢番图（Diophantine）方程。pH中和过程的计算机仿真结果表明，该控制算法比PID控制具有更好的控制品质。     

基于遗传算法的广义T-S模糊模型预测函数控制

提出了一种基于遗传算法的广义T-S模糊模型预测函数控制算法。首先利用减法聚类确定隶属度函数中心和模糊规则数,然后利用遗传算法同时对广义T-S模型的其他前提参数和结论参数进行辨识,并进行全局寻优。最后将本文提出的算法应用在具有强非线性特性的pH中和过程中。仿真结果表明:本文算法具有较小的超调和较好的跟踪能力。     

基于神经网络的非线性预测函数控制

给出了一种新的神经网络多步预估器结构,建立了CSTR过程的人工神经元网络的动态模型,并在此基础上提出了基于人工神经元网络模型的非线性预测函数控制算法．给出了非线性预测函数控制的具体实施步骤．计算机仿真表明。人工神经元网络模型的精度已满足预测控制的需要。该控制系统比常规PID控制器具有更好的控制效果．     

基于T-S模型的自适应模糊预测函数控制

针对多变量非线性系统，提出一种基于Takagi-Sugeno(T-S)模型的自适应模糊预测函数控制方法.在T-S模糊模型结构已确定情况下，利用加权递推最小二乘法对T-S模糊模型后件参数进行在线辨识.对模糊模型在每一采样点进行线性化，将描述非线性系统的T-S模型转化为线性时变的状态空间模型，并假设输入基函数为阶跃函数，推导出预测控制律的解析式.仿真结果表明，该方法在求解控制律时，无需求解非线性优化问题，并且有效克服了模型失配对系统控制性能的影响，增强了系统的跟踪性能和鲁棒性.     

非线性系统Wiener模型的一种辩识方法

利用相关分析方法,研究了Ｗｉｅｎｅｒ模型的结构判定问题,为辨识一大类可以表示成这种模型的黑箱非线性系统提供了一种重要的判别依据。     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.     

基于模糊神经网络的非线性系统预测函数控制研究

针对预测函数控制难以很好地实现非线性系统控制的问题,将模糊神经网络与预测函数控制相结合,设计一种基于模糊神经网络的非线性系统的预测函数控制器。用模糊神经网络辨识非线性系统的模型,辨识结果送到预测函数控制中,从而得到预测模型,最终得到最优的控制量。通过Matlab计算机仿真,可以看出此控制器对于非线性系统具有良好的控制效果和鲁棒性。     

基于径向基函数神经网络偏差补偿的预测函数控制

基于线性模型设计预测函数控制器，用径向基函数神经网络（RBFNN）来补偿由系统的非线性和外界干扰引起的预测误差，从而实现非线性系统的自适应预测函数控制。将该控制算法用于pH中和滴定过程，仿真实验表明该算法计算量小，控制效果好。     

基于非线性分离模型的预测控制及其应用

针对实际非线性过程控制的复杂性，提出了一种非线性分离模型用于描述非线性动态过程，在此基础上提出了一种基于非线性分离模型的预测控制方法，所提方法在海洋温度差发电装置及浆液混合控制的实际应用结果，证实了其可行性和有效性。     

基于非线性分离模型的预测控制及其应用

针对实际非线性过程控制的复杂性,提出了一种非线性分离模型用于描述非线性动态过程,在此基础上提出了一种基于非线性分离模型的预测控制方法.所提方法在海洋温度差发电装置及浆液混合控制的实际应用结果,证实了其可行性和有效性.     

Neuro-fuzzy predictive control for nonlinear application

Aiming at the unsatisfactory dynamic performances of conventional model predictive control （MPC） in a highly nonlinear process, a scheme employed the fuzzy neural network to realize the nonlinear process is proposed. The neuro-fuzzy predictor has the capability of achieving high predictive accuracy due to its nonlinear mapping and interpolation features, and adaptively updating network parameters by a learning procedure to reduce the model errors caused by changes of the process under control. To cope with the difficult problem of nonlinear optimization, Pepanaqi method was applied to search the optimal or suboptimal solution. Comparisons were made among the objective function values of alternatives in initial space. The search was then confined to shrink the smaller region according to results of comparisons. The convergent point was finally approached to be considered as the optimal or suboptimal solution. Experimental results of the neuro-fuzzy predictive control for drier application reveal that the proposed control scheme has less tracking errors and can smooth control actions, which is applicable to changes of drying condition.     

Support vector machine based nonlinear model multi-step-ahead optimizing predictive control

1INTRODUCTION Modelpredictivecontrol(MPC)isaclassof controlalgorithmsinwhichadynamicprocessmodelisusedtopredictandoptimizeprocessper formance[1].Becausemanyindustrialprocessesare intrinsicallynonlinear,especiallyintwocases[2]:strongnonlinearregulatorcontrolproblemsand servocontrolproblemswithfrequentchangesof operatingpoints.Nonlinearmodelpredictivecon trol(NMPC)techniquesshouldbedevelopedto overcometheeffectofthehardnonlinear.Re cently,someNMPCalgorithmshavebeenputfor ward,whicharema…     

一种双线性系统的预测函数控制算法

预测控制是以计算机为手段基于模型预测进行控制的方法，但是以往的预测控制算法通常是集中在线性渐进稳定对象，对非线性系统的研究工作较少。针对实际工业过程中广泛存在的双线性系统，通过对其每一滚动优化点进行线性化处理后，设计了一种简便高效的、可与线性系统媲美的预测函数控制算法，核算法具有解析形式，从而避免了一般非线性子优的繁琐计算。利用Matlab软件份真表明该非线性预测函数控制方法是一种计算简单、抑制干扰能力强、跟踪性能好、误差较小的有效的控制方法。     

多变量非线性系统的有约束模糊预测控制

针对多变量非线性系统提出了一种带约束输入的广义预测控制(GPC)算法.首先对多变量非线性系统建立T-S模糊模型,利用模糊聚类算法和正交最小二乘算法对输入变量的模糊划分及后件部分的参数分别进行辨识,然后在每个采样点对系统进行局部动态线性化.根据得到的系统线性化模型设计GPC算法,该算法充分考虑了控制输入及其增量受约束的情况,而且不必求D iophantine方程,大大减小了计算量.仿真结果表明该算法能保证系统输出有效跟踪设定值,而且控制输入和控制增量均在其约束范围之内.     

基于多模型的自适应预测函数控制

作为第三代模型预测控制算法，预测函数控制已经在线性系统控制中取得了很好的效果，但应用于非线性对象还有一定局限性。针对现实中大量存在的非线性过程，提出了基于局部模型设计的预测函数控制器加上模型切换算法的多模型自适应预测函数控制器。通过计算机仿真应用于连续发酵过程，表明基于多模型的自适应预测函数控制器比常规的预测函数控制器具有更好的控制效果。     

Model predictive path integral method for nonlinear random vibration control

In order to find a way to transfer back the state of a nonlinear random vibration system which is far away from the trivial equilibrium point, a model predictive path integral control method is introduced. Under certain conditions, the Hamilton-Jacobi-Bellman equation for optimal control of nonlinear random vibration can be linearized by exponential transformation. Based on the Feynman-Kac theorem, the path integral method can be used to solve the optimal control force. By introducing the idea of model predictive control, the control force can be updated in real time according to the actual state of the system. Numerical simulation is carried out for the control of two typical systems, van der Pol equation and Duffing equation. The results show that the state of the system can be quickly transferred to the vicinity of the ordinary equilibrium point, while the control force and real-time cost decreases monotonically after the initial fluctuation. Therefore, the model predictive control path integration method can be well applied to the vibration of random nonlinear systems far from the trivial equilibrium point.