针对传统的控制理论对实际的工业生产过程中的被控系统,特别是具有强非线性的系统控制效果不是很理想,而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题,提出了一种基于回声状态网络(Echo State Network,ESN)模型进行非...针对传统的控制理论对实际的工业生产过程中的被控系统,特别是具有强非线性的系统控制效果不是很理想,而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题,提出了一种基于回声状态网络(Echo State Network,ESN)模型进行非线性系统辨识和粒子群优化(Particle Swarm Optimization,PSO)进行滚动优化的非线性模型预测控制系统的算法。ESN能够很好地辨识非线性系统,其计算时间、数据训练和稳定性相对于传统递归神经网络有了较大进步,PSO具有全局优化和较快的寻优速度。针对典型化工非线性对象连续搅拌槽反应器(Continue Stirred Tank Reactor,CSTR)的仿真实例表明,此模型在预测控制优于BP和PSO结合的非线性预测控制,以及传统的PID控制,证明了该算法运用于非线性模型预测控制中的有效性。展开更多
文摘针对传统的控制理论对实际的工业生产过程中的被控系统,特别是具有强非线性的系统控制效果不是很理想,而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题,提出了一种基于回声状态网络(Echo State Network,ESN)模型进行非线性系统辨识和粒子群优化(Particle Swarm Optimization,PSO)进行滚动优化的非线性模型预测控制系统的算法。ESN能够很好地辨识非线性系统,其计算时间、数据训练和稳定性相对于传统递归神经网络有了较大进步,PSO具有全局优化和较快的寻优速度。针对典型化工非线性对象连续搅拌槽反应器(Continue Stirred Tank Reactor,CSTR)的仿真实例表明,此模型在预测控制优于BP和PSO结合的非线性预测控制,以及传统的PID控制,证明了该算法运用于非线性模型预测控制中的有效性。