隨著工業(yè)化的發(fā)展,控制技術(shù)在提高工業(yè)生產(chǎn)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(fù)雜的物理和化學(xué)反應(yīng),而且運行間存在變量間強耦合,具有復(fù)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(yù)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(yīng)用于流程工業(yè)領(lǐng)域,并取得了良好的控制效果。然而,MPC涉及在有限時域內(nèi)反復(fù)求解帶約束的最優(yōu)控制問題（Optimal control problem,OCP）,其計算復(fù)雜度較高導(dǎo)致難以實時求取最優(yōu)控制量,同時工業(yè)過程中存在數(shù)據(jù)不完備的特性,限制了MPC的應(yīng)用。基于以上分析,文中提出了一種基于知識與數(shù)據(jù)的MPC方法。首先,針對MPC中難以實時求解OCP,設(shè)計了一種基于自適應(yīng)梯度算法的自組織模糊神經(jīng)網(wǎng)絡(luò)（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(xué)北京市211工程院校

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【部分圖文】：

論文研究框架

絡(luò)的尋優(yōu)效率。3.2 模糊神經(jīng)網(wǎng)絡(luò)如圖3-1所示,一個典型多輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)(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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3-1 The structure of fuzzy neural network其中，F(xiàn)NN的輸出數(shù)學(xué)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(shù)據(jù)其能夠利用不完備的數(shù)據(jù)建結(jié)構(gòu)的FNN，它不僅可以充分學(xué)習(xí)現(xiàn)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(shù)據(jù)分布不同產(chǎn)生的負面影驅(qū)動模型結(jié)構(gòu)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(yīng)的魯棒預(yù)測控制算法[J]. 韓愷,趙均,徐祖華,錢積新.  化工學(xué)報. 2009(07)
[2]一種基于LMI的離線預(yù)測控制算法[J]. 徐祖華,趙均,錢積新.  電路與系統(tǒng)學(xué)報. 2004(02)
[3]狀態(tài)反饋預(yù)估控制[J]. 袁璞,左信,鄭海濤.  自動化學(xué)報. 1993(05)



本文編號：3614391