工業(yè)系統(tǒng)由于外部干擾及本身具有的非線性因素,系統(tǒng)內(nèi)的變量通常是非高斯分布的,這給系統(tǒng)辨識和控制帶來了一定難度。隨著隨機分布理論的不斷發(fā)展,針對非高斯系統(tǒng)提出了很多行之有效的算法理論。神經(jīng)網(wǎng)絡具有很好的逼近和分類能力,在系統(tǒng)辨識和控制上得到了廣泛應用。超限學習機作為神經(jīng)網(wǎng)絡的一種,在對數(shù)據(jù)訓練過程中由于不需迭代調整網(wǎng)絡權重,實現(xiàn)最小訓練誤差的同時能夠保證輸出權重范數(shù)最小,因而具有學習速度快、泛化性能好的特點。本文將超限學習機算法用于有機朗肯循環(huán)（ORC-Organic Rankine Cycle）系統(tǒng)中工質泵轉速到過熱度段的辨識,同時考慮了煙氣溫度和煙氣質量流量對系統(tǒng)輸出的非高斯干擾,通過與最小二乘支持向量機在訓練時間和辨識精度方面的對比,凸顯了超限學習機辨識法的優(yōu)勢。此外,本文還研究了非高斯系統(tǒng)的輸出形狀控制問題,也稱作隨機分布控制問題。首先,針對帶有非高斯噪聲影響的非線性多變量隨機系統(tǒng),基于兩步神經(jīng)網(wǎng)絡框架,先利用RBF（Radial Basis Function）神經(jīng)網(wǎng)絡對輸出PDF（Probability Density Function）逼近后,再利用動態(tài)神經(jīng)網(wǎng)絡辨識得到權向量... 

【文章來源】：華北電力大學(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景及意義
    1.2 基于數(shù)據(jù)驅動的隨機分布理論在非高斯系統(tǒng)中的研究現(xiàn)狀
    1.3 信息論在非高斯系統(tǒng)中的研究現(xiàn)狀
        1.3.1 熵在非高斯系統(tǒng)中的研究現(xiàn)狀
        1.3.2 生存信息勢在非高斯系統(tǒng)中的研究現(xiàn)狀
    1.4 本文主要研究內(nèi)容
第2章 辨識方法與準則函數(shù)
    2.1 引言
    2.2 辨識方法
        2.2.1 超限學習機辨識法
        2.2.2 動態(tài)神經(jīng)網(wǎng)絡辨識法
        2.2.3 子空間辨識法
    2.3 準則函數(shù)
        2.3.1 Renyi熵及信息勢
        2.3.2 生存信息勢
    2.4 本章小結
第3章 基于超限學習機的ORC系統(tǒng)過熱度辨識
    3.1 引言
    3.2 預備知識
        3.2.1 Moore-Penrose廣義逆
        3.2.2 最小范數(shù)最小二乘解
    3.3 基于超限學習機的辨識算法
        3.3.1 廣義單隱層前饋網(wǎng)絡（SLFNs）
        3.3.2 SLFNs的最小范數(shù)最小二乘解
    3.4 應用實例
    3.5 本章小結
第4章 基于SIP的兩步神經(jīng)網(wǎng)絡隨機分布控制
    4.1 引言
    4.2 兩步神經(jīng)網(wǎng)絡結構
        4.2.1 基于徑向基神經(jīng)網(wǎng)絡的PDF建模
        4.2.2 動態(tài)神經(jīng)網(wǎng)絡辨識
    4.3 基于SIP的控制器設計
    4.4 應用實例
    4.5 本章小結
第5章 控制輸入受限的分子量分布子空間辨識與控制
    5.1 引言
    5.2 苯乙烯聚合過程建模及控制方案
    5.3 基于子空間辨識法的MWD建模
        5.3.1 MWD模型的B樣條逼近
        5.3.2 MWD的子空間辨識
    5.4 帶約束最優(yōu)控制律設計
    5.5 應用實例
    5.6 本章小結
第6章 結論與展望
參考文獻
攻讀碩士學位期間發(fā)表的論文
致謝
附錄-子空間辨識法的狀態(tài)序列估計


【參考文獻】：
博士論文
[1]非高斯系統(tǒng)的控制及濾波方法研究[D]. 任密蜂.華北電力大學 2014



本文編號：3154202