在线优化参数的无模型PID预测函数控制

针对复杂非线性系统难以建模的控制问题,采用具有辅助变量紧格式动态线性化泛模型的无模型自适应控制方案,结合PID预测函数控制,并对目标函数进行改进,提出广义目标函数,给出无模型PID预测函数控制,采用直接极小化指标函数自适应优化算法对PID控制参数寻优,给出PID控制参数的在线优化算法。仿真研究表明算法的控制响应优良。

在线优化可变基的非线性预测函数控制

针对基本预测函数控制只能用于线性系统控制的这一不足,给出基于实用随机NARMAX模型的非线性预测函数控制,采用可克服算法病态的非线性递推最小二乘法进行参数估计,利用在工作点处的动态切平面逼近方法,将实用随机NARMAX模型用线性时变CARMAX模型逼近,使非线性预测函数控制转化为线性模型下的预测函数控制,用线性优化算法求解控制输入,避免了复杂的非线性优化问题,并采用直接极小化指标函数优化算法对可变基函数的加权系数进行在线优化,提出在线优化参数的非线性预测函数控制。仿真研究表明,因算法具有优化可变基函数加权系数和预测函数控制功能,系统具有优良的控制响应。

在线优化基函数的对称双线性系统的预测函数控制

针对对称双线性系统的控制问题,研究其确定性定常情形,对预测时域长度进行分段处理,提出对称双线性系统的预测函数控制迭代算法,避免了求解控制输入的非线性最优化问题,利用直接极小化指标函数自适应优化算法,对基函数进行优化,因此基函数是在线优化时变的,算法具有可变基函数的功能,仿真研究表明算法的控制响应具有优良的性能。

滚动时域状态估计中极小化问题的求解

滚动时域状态估计(MHSE)方法的基本思想是:将控制系统的状态估计问题转化为有限时域内的优化问题,通过获得的优化解对系统状态进行估计。针对带约束的线性离散系统的状态估计问题,介绍了MHSE方法的研究及应用现状。基于惩罚函数法建立惩罚因子,将约束条件融合到适应度函数中,通过粒子群优化(PSO)算法求解MHSE方法中的极小化问题。基于Matlab编程,实现了二阶仿真算例。仿真结果表明,PSO算法能够有效地求解MHSE方法中的极小化问题,使得2种状态的估计值和真实值之间的均方差分别为0.075 0、0.204 1。PSO算法能够有效地求解二阶仿真算例,以获取滚动时域估计方法中极小化问题的最优解,为基于MHSE方法进行状态估计的研究与应用提供了参考。下一步的研究方向是提高估计精度,以及复杂约束条件下高阶系统的极小化问题的求解。

在线优化参数的无模型预测神经网络自抗扰控制

关于难以建模的非线性系统的控制问题,提出具有辅助变量的全格式动态线性化方法逼近非线性系统模型,基于其构建系统的预测模型,给出采用直接极小化指标函数自适应优化算法的参数估计算法,在扩张状态观测器中引入控制输入的微分项,并将控制输入和其微分的系数改进为关于观测状态的函数,因其未知,使用RBF神经网络逼近,利用非线性递推最小二乘法同时优化RBF神经网络参数和自抗扰控制器参数,综上研究提出在线优化参数的无模型预测神经网络自抗扰控制算法。仿真研究验证了上述研究的合理性和有效性,系统响应精度高。

对称NARMA-U模型及其神经网络自校正控制器

带预测误差补偿的改进NARMA-L2模型是由NARMA模型在自适应滤波动态工作点处一阶泰勒展开逼近得出的,在自适应滤波动态工作点处二阶泰勒展开逼近可得到对称NARMA-U模型,采用BP神经网络辨识对称NARMA-U模型参数,提出一广义目标函数,基于对称NARMA-U模型的非线性系统的神经网络自校正控制器,应用直接极小化指标函数自适应优化算法对BP神经网络连接权重值进行在线学习。仿真研究表明算法的响应优良。

实用随机NARMAX模型的无模型自校正控制器

针对实用随机NARMAX模型的控制问题,采用具有辅助变量的全格式动态线性化逼近,利用BP神经网络辨识其参数向量和辅助变量,使用直接极小化指标函数的自适应优化算法优化BP神经网络的连接权重值,并估计随机干扰模型的参数,依据广义目标函数提出非线性系统的神经网络辨识的无模型显式自校正控制器。仿真研究验证了上述研究的有效性,系统具有较好的控制效果。

多变量无模型预测神经网络线性自抗扰控制

对难以建模的多变量非线性系统的控制难题,提出改进的具有辅助向量的多变量全格式动态线性化方法,采用其逼近非线性系统,用其构成预测模型,将其转化为具有耦合的若干个子系统,利用直接极小化指标函数自适应优化算法辨识其参数,将多变量线性扩张观测器的线性控制输入项改进为关于观测状态和控制输入向量及其微分的向量函数,并由该向量函数的逆向量函数构建当前控制输入向量,因其未知,使用对角回归神经网络逼近控制输入向量函数,采用多变量非线性递推最小二乘法优化对角回归神经网络连接权及多变量线性自抗扰控制参数,综上研究提出在线优化参数的多变量无模型预测神经网络线性自抗扰控制算法。仿真研究表明系统响应精度高,性能好,优于传统的线性自抗扰控制算法。

实用NARMAX-L2模型的神经网络自校正控制器

针对实用随机非线性NARMAX模型,参照改进的NARMA-L2模型,提出实用随机NARMAX-L2模型,采用BP神经网络逼近该模型,依据直接极小化指标函数自适应优化算法估计随机干扰模型的参数,并对BP神经网络的连接权进行学习,根据广义控制目标函数提出神经网络显式自校正控制器,仿真研究验证了上述研究的有效性,系统具有理想的控制效果。

RBF神经网络整定参数的预测滤波PID控制

针对非线性系统采用常规PID控制效果不佳的问题,通过径向基函数(RBF)神经网络构建系统的辨识器,推导了辨识器输出关于RBF神经网络参数的梯度及二阶导数矩阵。采用直接极小化指标函数自适应算法,实现RBF神经网络的输出权和节点中心及节点基宽参数的在线学习算法。基于增量式预测滤波PID控制,应用最速下降法对增量式预测滤波PID控制参数进行在线优化,提出基于RBF神经网络在线整定参数的预测滤波PID控制算法。仿真研究表明,因算法具有在线整定参数和预测控制性能,故具有良好的动、静态性能。