基于神经模糊系统的热工过程建模及预测

热工对象内部过程的物理性能比较复杂,其往往表现出非线性、严重时变、大迟延和不确定等特点,这就使得难以对其建立比较精确的模型。该文以自适应神经模糊推理系统(ANFIS)作为辨识器建立热工过程模型,用ANFIS分别建立锅炉-汽轮机的非线性模型、不同负荷工况点的线性模型,并根据现场采集的锅炉-汽轮机系统数据建立了ANFIS模型。对以上三个系统的建模仿真结果表明基于ANFIS建立的模型具有较高的模型精度和较好的预测能力,ANFIS可用于非线性系统、复杂系统的建模和预测,并具有较少的训练次数和较小的预测误差。     

基于ANFIS的非线性控制系统鲁棒性

针对典型非线性对象-三容水箱液位系统的非线性、强耦合性提出一种新的解耦控制方法,利用模糊减法聚类技术建立初始模糊推理系统(FIS)结构,在此基础上利用自适应神经模糊推理系统(ANFIS)对模糊模型进行训练,得出ANFIS解耦控制器结构.针对系统的参数不确定性和扰动引起的不稳定性提出了NCD优化方法在线自整定PID参数的ANFIS解耦控制方法,研究结果表明该方法具有较好的抗干扰性能、鲁棒性较好,实用性较强.     

基于ANFIS的非线性电机系统的建模

将一种神经—模糊结构—自适应神经模糊推理系统 (简称ANFIS)用于非线性电机系统的建模 ,获得了一个良好的大范围的全局非线性模型 ,同时 ,通过与反向传播网络建模结果的性能对比 ,说明ANFIS在参数收敛速度及建模精度上的优越性。显示出ANFIS是非线性系统的建模、辨识的有力工具     

纯碱碳化过程建模研究

针对纯碱碳化过程复杂、建模难的特点,提出一种基于T-S模型的自适应神经模糊推理系统（ANFIS）建模方法。该方法提取碳化过程塔内温度分布及出碱流量的实测数据,通过ANFIS网络自组初始化模糊规则,自适应调整前提隶属度参数和结论参数,最终建立出碱流量随塔内温度变化的非线性模型。文章讨论了该网络的结构和学习算法,通过仿真研究得出其良好的实用价值。     

ANFIS在非线性系统建模与消噪中的应用

给出了自适应神经模糊推理系统(ANFIS)的一般描述，并应用ANFIS进行非线性系统建模和消除信号中的噪声，以此改进工业控制系统中非线性系统的控制性能。仿真表明ANFIS具有较高的收敛速度和建模精度，是非线性系统建模的有力工具。     

一种基于ANFIS的ABR拥塞控制

由于ATM网络环境的复杂性、多变性,用常规的数学模型对网络模型、可用带宽的获取以及控制器设计的描述具有很大的局限性,因此论文提出了一种基于自适应模糊推理系统(AdaptiveNeuralFuzzyInferenceSystems,ANFIS)的ABR业务拥塞控制方法,该方法结合模糊推理系统的规则结构化及神经网络强泛化能力的优点,克服了模糊推理模型的偶然性和神经网络收敛速度慢、训练时间过程长等缺点。仿真结果表明使用ANFIS进行拥塞控制的可行性,增加了系统稳定性并减小了信元丢失率。     

基于ANFIS的非线性电机系统的建模

将一种种神经－模糊结构－自适应神经模糊推理系统（简称ANFIS）用于非线性电机系统的建模，获得了一个良好的大范围的全局非线性模型，同时，通过与反向传播网络建模结果的性能对比，说明ANFIS在参数收敛速度及建模精度上的优越性，显示出ANFIS是非线性系统的建模，辨识的有力工具。     

基于ANFIS的机器人系统建模的研究

针对机器人这种不确定性的复杂非线性系统很难建立其精确的数学模型这一问题,提出一种基于自适应神经模糊推理(ANFIS)的方法对机器人系统进行建模.此方法将模糊推理和神经网络的学习能力有机地结合起来,并利用神经网络的学习机制自动地从输入输出数据中提取规则.建模过程中为了给ANFIS赋予一个合适的初始状态,选用减法聚类对输入数据进行处理.ANFIS网络的所有参数采用混合算法进行调节,即前提参数采用误差反向传播法,结论参数采用最小二乘法.最后在Matlab中对二自由度机器人进行仿真研究,仿真结果表明该方法模型结构简单,建模速度快,辨识精度高,同时也验证了该方法的有效性,为进一步实现机器人鲁棒自适应控制打下基础.     

基于GA的ANFIS在函数拟合中的应用

本文介绍了一种遗传算法(CA)优化自适应神经模糊推理系统(ANFIS)的方法,并采用基于GA优化ANFIS方法,拟合非线性多峰函数,同时分析了这种方法的拟合能力和预测能力.实验结果表明,加入GA优化后的ANFIS具有更加优秀的拟合能力和预测能力,更适合于用来建立复杂参数问的非线性映射关系.     

自适应神经模糊推理系统及其参数分析

该文介绍了自适应神经模糊推理系统的结构原理和推理方法,针对典型非线性系统,借助matlab中ANFIS的功能讨论训练次数、隶属度函数的数目及类型对自适应神经模糊推理系统(ANFIS)的直接影响,为后续对动态非线性系统的进一步研究打下了基础。     

pH中和系统辨识中的人工神经网络应用

pH中和作为化工、生物、发电和污水处理中的一个重要过程,具有极强的非线性和不确定性,很难对其进行精确建模,因此,pH值的控制一直是工业过程控制中的一个难题。本文借鉴了计算机领域中神经网络(NN)在非线性系统建模中的显著作用,结合对pH中和过程机理的分析,建立了基于BP神经网络的辨识模型,对典型的pH中和过程系统辨识进行了仿真研究,并进行了相关试验。试验结果表明:神经网络在pH中和过程辨识中具有较高的辨识精度,有着广阔的应用前景。     

非线性HAMMERSTEIN系统的预测控制及其pH过程应用

本文基于非线性离散Hammerstein模型,开发了一种非线性Hammerstein系统预测控制(Non-Linear Hammerstein Predic- tive Control,NLHPC)算法。遵循预测控制策略,该算法利用Hammerstein模型进行输出预测。理论分析结果表明,该算法不仅具有好的稳定性和鲁棒性,而且其自身具有积分作用。在一台工业PC机上实现了该NLHPC算法,并用于具有强非线性的酸碱中和过程实验装置pH值的控制。实验结果表明NLHPC有着比工业界常用的非线性PID控制(nonlinear PID,NL-PID)更好的控制性能。     

一种新型非线性Hammerstein系统动态矩阵控制算法

将动态矩阵控制策略(DMC)推广到由一个非线性静态多项式函数和一个线性动态阶跃响应环节组成的非线性Ham-merstein系统,详细地给出了该新型非线性Hammerstein系统动态矩阵控制算法(NLH-DMC).把NLH-DMC应用于一套强非线性pH中和过程,给定值跟踪和抗干扰仿真结果表明,NLH-DMC比线性DMC(LDMC)和过程控制领域常用的非线性PID(NL-PID)具有更好的控制性能.进一步的仿真实验证实,NLH-DMC不仅具有良好的控制响应,而且在存在较大模型误差时仍具有很好的稳定性及鲁棒性.     

Multi-model predictive control with local constraints based on model switching

Because model switching system is a typical form of Takagi-Sugeno(T-S) model which is an univer sal approximator of continuous nonlinear systems,we describe the model switching system as mixed logical dynamical (MLD) system and use it in model predictive control (MPC) in this paper.Considering t hat each local model is only valid in each l ocal region,we add local constraints to local models.The stability of proposed multi-model predictiv e control (MMPC) algorithm is analyzed, and the p erformance of MMPC is also demonstrated on an in ulti-multi-output(MIMO) simulated pH neutralization process.     

基于不确定模型误差系统的变分贝叶斯STCKF

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.     

pH值中和反应过程的无模型学习自适应控制

根据pH值处理过程的时变和非线性特性,将基于紧格式线性化的单入单出非线性离散时间系统的无模型学习自适应控制方法应用在带有时滞的pH值中和反应过程中。控制器的设计是无模型的,是直接基于称为伪偏导数的向量,此伪偏导数是通过一种新型参数估计算法,根据酸碱中和反应系统的输入输出信息在线导出的。此无模型控制方法非常适用于实际的模型参数难以辨识,且是时变的非线性系统。仿真控制验证了该方法对不确知动态的非线性pH值的控制具有鲁棒性强、响应速度快和控制精度高的优点,性能好于传统的PID控制。     

Multi-model predictive control with local constraints based on model switching

Because model switching system is a typical form of Takagi-Sugeno（T-S） model which is an universal approximator of continuous nonlinear systems, we describe the model switching system as mixed logical dynamical （MLD） system and use it in model predictive control （MPC） in this paper. Considering that each local model is only valid in each local region,we add local constraints to local models. The stability of proposed multi-model predictive control （MMPC） algorithm is analyzed, and the performance of MMPC is also demonstrated on an inulti-multi-output（MIMO） simulated pH neutralization process.     

基于T-S 模型的模糊预测控制研究

提出一种基于T—S模型的模糊预测控制策略．利用模糊聚类算法高线辨识T—S模型，采用带遗忘因子的递推最小二乘法进行模型参数的选择性在线学习；对模糊模型在每一采样点进行线性化，将T—S模型表示的非线性系统转化为线性时变状态空间模型，并将约束非线性优化问题转化为线性二次规划问题，解决了非线性预测控制中如何获得非线性模型和非线性优化在线求解的难题．将预测域内的线性模型序列作为预测模型，减小了模型误差，提高了控制性能．pH中和过程的仿真验证了该方法的有效性．     

Deep recurrent Gaussian processes for outlier-robust system identification

Gaussian Processes (GP) comprise a powerful kernel-based machine learning paradigm which has recently attracted the attention of the nonlinear system identification community, specially due to its inherent Bayesian-style treatment of the uncertainty. However, since standard GP models assume a Gaussian distribution for the observation noise, i.e., a Gaussian likelihood, the learning and predictive capabilities of such models can be severely degraded when outliers are present in the data. In this paper, motivated by our previous work on GP learning with data containing outliers and recent advances in hierarchical (deep GPs) and recurrent GP (RGP) approaches, we introduce an outlier-robust recurrent GP model, the RGP-t. Our approach explicitly models the observation layer, which includes a heavy-tailed Student-t likelihood, and allows for a hierarchy of multiple transition layers to learn the system dynamics directly from estimation data contaminated by outliers. In addition, we modify the original variational framework of standard RGP in order to perform inference with the new RGP-t model. The proposed approach is comprehensively evaluated using six artificial benchmarks, within several outlier contamination levels, and two datasets related to process industry systems (pH neutralization and heat exchanger), whose estimation data undergo large contamination rates. The simulation results obtained by the RGP-t model indicates an impressive resilience to outliers and a superior capability to learn nonlinear dynamics directly from highly outlier-contaminated data in comparison to existing GP models.     

MIMO系统的多模型预测控制

针对非线性多变量系统提出一种多模型预测控制(MMPC)策略.首先给出一种多模型 辨识方法,利用模糊满意聚类算法将复杂非线性系统划分为若干子系统,并获得多个线性模型, 通过模型变换得出全局系统模型,接着对全局MIMO系统设计MMPC,并进行了系统的性能分 析,最后以pH中和过程为例,通过仿真研究验证了辨识和控制算法的有效性.