10.16337/j.1004-9037.2016.05.009
最优实验设计与Laplacian正则化的WNN的非线性预测控制
提出了基于最优实验设计与Laplacian正则化的自适应小波神经网络(Wavelet neural network, WNN)的非线性预测控制算法。该方法迭代地从 WNN 隐含节点候选集选取隐含小波神经元,并使用扩展卡尔曼滤波(Extended Kalman filter,EKF)方法调整该节点参数。为了控制 WNN的复杂度,提出采用 Laplacian正则化和最优实验设计选择重要的 WNN 隐含节点,使用最小描述长度(Minimum de-scription length,MDL)准则确定节点数量。使用在线基于 Gustafson-kesscl(GK)的模糊满意聚类算法确定 WNN 初始参数值和权重更新策略,该策略具有直观性和物理意义。最后给出基于 WNN 线性化模型的预测函数控制方法。对工业焦化装置温度控制进行仿真,结果说明了算法的有效性。
小波神经网络、扩展卡尔曼滤波、预测控制、Laplacian正则化、满意模糊聚类
31
TP273(自动化技术及设备)
国家自然科学基金60974056资助项目。
2016-11-23(万方平台首次上网日期,不代表论文的发表时间)
共14页
927-940