發(fā)布時間：2022-02-05 02:26

　　隨著工業(yè)化的發(fā)展,控制技術在提高工業(yè)生產和保證工業(yè)過程安全等方面起到了越來越重要的作用。然而,工業(yè)過程不僅涉及各種復雜的物理和化學反應,而且運行間存在變量間強耦合,具有復雜性高、非線性強、以及干擾嚴重等特點,常規(guī)控制方法難以達到理想的控制效果。模型預測控制（Model predictive control,MPC）由于具有較好的動態(tài)控制效果、魯棒性強、能夠有效地克服過程中不確定性、非線性等優(yōu)點,已被廣泛應用于流程工業(yè)領域,并取得了良好的控制效果。然而,MPC涉及在有限時域內反復求解帶約束的最優(yōu)控制問題（Optimal control problem,OCP）,其計算復雜度較高導致難以實時求取最優(yōu)控制量,同時工業(yè)過程中存在數據不完備的特性,限制了MPC的應用�；谝陨戏治�,文中提出了一種基于知識與數據的MPC方法。首先,針對MPC中難以實時求解OCP,設計了一種基于自適應梯度算法的自組織模糊神經網絡（Self-organizing fuzzy neural network based on adaptive gradient algorithm,SOFNN-AGA）,SOFNN-AGA通... 

【文章來源】：北京工業(yè)大學北京市211工程院校

【文章頁數】：83 頁

【學位級別】：碩士

【部分圖文】：

論文研究框架

絡的尋優(yōu)效率。3.2 模糊神經網絡如圖3-1所示,一個典型多輸入單輸出的模糊神經網絡(FNN)包括四層分別為：輸入層、RBF層、歸一化層和輸出層。..... .1w (t )2w (t )( )lw t( )Pw t1 (t )2 (t )( )j t( )P t1v (t )2v (t )( )lv t( )Pv t .y(t)x1(t)x2(t)xm(t)輸入層 RBF層 歸一化層 輸出層圖3-1 模糊神經網絡結構Fig.3-1 The structure of fuzzy neural network其中，FNN的輸出數學表達形式表示為：1( ) ( ) ( )Pl lly t w t v t (3-1)

中提出一種基于知識與數據其能夠利用不完備的數據建結構的FNN，它不僅可以充分學習現有的知識以提高模型法，該方法能夠融合參考場景，提出一種具有相互吸引策數據分布不同產生的負面影驅動模型結構分析，KDDM的核心是由基于模) 分別是源模型輸入和目放大或縮小因子。θ(t)是源模和目標模型輸出。源模型KDDM

【參考文獻】：
期刊論文
[1]一種擾動自適應的魯棒預測控制算法[J]. 韓愷,趙均,徐祖華,錢積新.  化工學報. 2009(07)
[2]一種基于LMI的離線預測控制算法[J]. 徐祖華,趙均,錢積新.  電路與系統(tǒng)學報. 2004(02)
[3]狀態(tài)反饋預估控制[J]. 袁璞,左信,鄭海濤.  自動化學報. 1993(05)



本文編號：3614391