基于Kalman滤波的自适应离散递归神经网络模型的研究及应用

作者:王远景 刊名:仪器仪表学报 上传者:于伟东

【摘要】提出一种新基于自适应自回归神经网络控制模型,能够对未知的非线性动态系统进行预测控制,并成功地将其应用在化工热交换过程的流速与温度控制中,系统具有较好的鲁棒性。

全文阅读

基于 Kalman 滤波的自适应离散递归神经网络模型的研究及应用 王远景 (同济大学电信学院 上海 200331) 摘要 提出一种新基于自适应自回归神经网络控制模型, 能够对未知的非线性动态系统进行预测控制, 并成功地将其应用在化工热交换过程的流速与温度控制中, 系统具有较好的鲁棒性。 关键词 自回归神经网络 非线性动态过程 模型预测控制 滤 波 The Application of Kalman Filter Based Recurrent Neural NetworkM odel Pre-dict Control W ang Yuanjing (Institute of E lectronic and Inf orm ation, T ongji U niversity , S hanghai 200331, China) Abstract A s a non2linear regression tool, neural networks have been increasingly used in modelling and control of chem ical processes, especially highly nonlinear and sensitive system. The recurrent neural networks (RNN ) are used to build an predict control model providing excellent control performance. Key words Recurrent N eural N etwork Nonlinear Dynam ic Process M odel Predict Control Filtering 1 引  言 许多工业过程(如化工、生物工程、电弧炉等)具有多变量、非线性、时变等特点, 很难用传统的数学模型来描述。人工神经网络因较强的学习能力和在一定条件下对任意非线性函数的精确近似, 许多学者逐渐认识到其对非线性动态系统建模和控制的潜力。并在传统控制策略诸如模型预测控制 (M PC)、内模控制( IM C)和(model inversion control)等中得到应用。基于神经网络的预测控制的主要思想是: 基于一个或多个神经网络, 对非线性系统过程信息进行前向多步预测, 然后通过优化一个含有这些预测信息的多步优化目标函数, 获取非线性预测规律。多层递归神经网络在前馈网络的基础上增加自回归及交叉连接, 即具有前馈网络的非线性映射能力, 又具有很强的动态特性, 且结构也相对简单, 因而适合于动态系统建模和多步预测。文中在对递归神经网络及其学习算法的研究上, 提出了一种新的非线性动态过程控制模型, 通过对级联的工业热 交换过程仿真实例验证该模型的有效性。 2 基于RNN 的非线性过程自适应控制原理 2. 1 回归神经网络 图 1 回归神经网络的模型结构 回归神经网络输入由两层的非线性神经元组成, 采用 tanh () 作激励函数, 输出是两层的线性神经元, 第 26 卷第 8 期增刊             仪 器 仪 表 学 报            2005 年 8 月 其结构如图 1。 根据输入和输出节点间关系可推出RRN 模型: x (k+ 1) = f(x (k) ) , u (k) , p (k) ) (1) yδ(k+ 1) = Cx (k+ 1) (2) p (k) = [W (k) ,V (k) ] (3) 式

参考文献

引证文献

问答

我要提问