神经网络在过程辨识与控制中的应用研究
【摘要】：神经网络技术是智能控制理论的重要组成部分,当前神经网络在系统辨识与控制中的应用还存在许多问题。为此,本文在分析神经网络的逼近能力、泛化能力等理论问题的基础上,研究了误差反传学习算法的改进措施,同时深入研究了神经网络的非线性系统辨识、神经网络PID控制、神经网络内模控制和神经网络广义预测控制等问题,分别提出了一些改进措施、新的控制结构或策略。最后将神经网络成功地用于工程实践。
本文对神经网络的逼近能力和泛化能力进行了理论分析,一方面指出函数逼近论并不足以构成前向网络数学逼近的基础,另一方面指出泛化问题来源于其开放的体系和创造功能,是不可能绝对避免的。同时,比较了神经网络与人工智能之间的不同之处。
在分析基本误差反传学习算法存在的问题的基础上,本文对各种基于数值优化的学习方法和基于梯度的学习方法进行了分析比较,通过分析和应用研究指出RPROP方法具有很快的收敛速度和较好的适应性。同时分析了神经元的激活函数的选择和非线性误差函数的选择对学习过程的影响。
对几种神经网络模型的特点和适用性等问题进行理论分析。提出了一种新型动态递归神经网络用于辨识的方法,该方法对Elman网络泛化能力较差和学习速度较慢的问题有明显改善。
本文提出一种新型的简便的神经网络PID控制器,在权系数的修正中,以系统输出对控制量的差分近似系统输出对控制量的微分。同时,还提出了一种单神经元自适应控制的方法。
在讨论了逆模型的存在条件和学习方法的基础上,本文提出了一种可以在线自适应调整的、镇定的内模控制方法,通过加入反馈补偿镇定器,解决了无自平衡对象的辨识问题与控制问题,同时通过将控制过程和在线学习过程分开的方法解决了由于训练速度慢而造成的不能在线问题。同时分析了该方法的稳定性。
针对神经网络模型用于广义预测控制的算法结构,提出多种改进措施和新的控制策略。包括,提出了一种大幅度提高了计算的速度的简化算法;还提出了一种采用非导数优化进行神经网络预测控制的方法,该方法在简化计算方式的同时解决了普遍存在的约束控制问题;此外,还提出了一种神经网络预测控制与传统的PID控制相结合的复合控制方法;最后在研究神经网络广义预测控制的多变量算法的基础上,通过仿
WP=4
真方法研究了在电站系统中的应用。
根据作者的工程实践,对神经网络在过程控制工程中的应用问题作了应用研究,包括在自主开发的控制系统计算机辅助设计CAE2000系统中的应用研究,以及在自主开发的分散控制系统LN2000中的应用研究。
【关键词】：神经网络 过程辨识 过程控制 预测控制 分散控制系统 【学位授予单位】：华北电力大学（河北）
【学位级别】：博士
【学位授予年份】：2004
【分类号】：TK32
【DOI】：CNKI:CDMD:1.2004.092624
【目录】：
- 第一章 绪论11-28
- 1.1 引言11-12
- 1.2 神经网络的发展概况12-14
- 1.2.1 神经网络产生和发展的历史12-14
- 1.2.2 神经网络当前的发展和问题14
- 1.3 神经网络在系统辨识和控制中应用的概况14-20
- 1.3.1 用于控制的神经网络类型15-19
- 1.3.2 神经网络在控制中的应用概况19-20
- 1.4 神经网络的宏观研究方法20-21
- 1.5 前向神经网络的逼近能力分析21-23
- 1.6 前向神经网络的泛化能力分析23-25
- 1.7 神经网络与人工智能25-26
- 1.8 本文的选题意义和主要研究内容26-28
- 第二章 误差反传学习算法及其改进28-47
- 2.1 引言28
- 2.2 基本的BP算法28-31
- 2.3 BP算法的一些改进方法31-39
- 2.3.1 基于数值优化的方法31-35
- 2.3.2 基于梯度方向的方法35-37
- 2.3.3 对比试验37-38
- 2.3.4 应用情况38-39
- 2.4 激活函数的选择39-43
- 2.5 非线性误差函数43-46
- 2.6 本章小结46-47
- 第三章 神经网络用于非线性系统辨识47-56
- 3.1 引言47-48
- 3.2 带延迟信号的前向网络48-50
- 3.3 一种新型的动态递归神经网络50-55
- 3.3.1 Elman网络50-51
- 3.3.2 IOCDRN动态递归网络51-53
- 3.3.3 仿真实验53-55
- 3.4 本章小结55-56
- 第四章 神经网络PID控制56-68
- 4.1 引言56
- 4.2 一种新型的神经网络PID控制56-61
- 4.2.1 常规的神经网络PID控制56-58
- 4.2.2 一种新型的神经网络PID控制系统58-59
- 4.2.3 仿真实验59-61
- 4.3 基于单个神经元的自适应控制61-67
- 4.3.1 自适应神经元模型及其学习策略61-63
- 4.3.2 基于单个神经元的自适应控制63-65
- 4.3.3 火电厂主汽温控制仿真实验65-67
- 4.4 本章小结67-68
- 第五章 神经网络用于内模控制68-81
- 5.1 引言68
- 5.2 神经网络内模控制的算法描述68-71
- 5.2.1 离散非线性动态系统的可逆性69
- 5.2.2 神经网络逆模型的训练方法69-71
- 5.3 改进的神经网络在线自学习内模控制方法71-77
- 5.3.1 控制结构及工作原理72-74
- 5.3.2 NNM算法和学习74
- 5.3.3 NNC算法和学习74-75
- 5.3.4 鲁棒控制器RC75-76
- 5.3.5 算法的实现步骤76
- 5.3.6 仿真研究76-77
- 5.4 稳定性分析77-79
- 5.5 本章小结79-81
- 第六章 神经网络用于预测控制81-98
- 6.1 引言81
- 6.2 神经网络预测控制算法描述81-84
- 6.3 改进的神经网络预测控制算法84-87
- 6.3.1 改进策略84
- 6.3.2 算法步骤84-85
- 6.3.3 仿真实验85-87
- 6.4 一种有约束的神经网络预测控制方法87-89
- 6.4.1 采用黄金分割法优化87-88
- 6.4.2 仿真实验88-89
- 6.5 未知非线性系统的一种复合控制算法89-92
- 6.5.1 NNGPC-PI复合算法89-90
- 6.5.2 仿真实验90-92
- 6.6 神经网络广义预测控制在电站系统中应用92-97
- 6.6.1 用于多变量系统的算法92-93
- 6.6.2 电站模型93-94
- 6.6.3 仿真实验94-97
- 6.7 本章小结97-98
- 第七章 神经网络的工程实践98-112
- 7.1 引言98
- 7.2 工程背景介绍98-100
- 7.2.1 控制系统计算机辅助工程CAE2000简介98-99
- 7.2.2 分散控制系统LN2000简介99-100
- 7.3 在CAE2000系统中的应用100-106
- 7.4 在DCS中的应用106-111
- 7.4.1 LN2000系统整体功能106-107
- 7.4.2 基于单个神经元的自适应控制器107-108
- 7.4.3 实时仿真实验108-111
- 7.4.4 其它神经网络的应用111
- 7.5 本章小结111-112
- 第八章 全文总结112-114
- 8.1 本文的主要工作与创新点112-113
- 8.2 本课题今后的研究内容113-114
- 参考文献114-122
- 致谢122-123
- 攻读博士学位期间出版著作和发表学术论文123-125
- 攻读博士学位期间参加的科研工作125
全文下载：
CAJ格式
不支持迅雷等加速下载工具，请取消加速工具后下载
