基于线性近似和神经网络逼近的模型预测控制

摘要：

针对非线性系统的模型预测控制问题，提出了一种基于线性近似和神经网络逼近的控制算法。用Taylor 级数展开法对非线性系统进行线性近似时，要求对象系统中的非线性函数必须连续可微。为了突破这一限制，引入了 Stirling 插值公式线性近似法，拓展了可处理的非线性系统范围。通过对线性化过程中产生的非线性高阶项进行径向基函数（radial basis function，RBF）神经网络逼近，显著提高了对象系统模型精确度。为了降低数值计算复杂度，将控制性能指标函数重构为易于处理的二次型最优化问题，通过对该二次型最优化问题的求解得到了最优控制序列。控制过程考虑了约束条件的影响以模拟真实的工业生产过程。仿真结果证明了所提出预测控制方案的有效性。

关键词：线性近似方法、径向基函数神经网络、模型预测控制、二次型最优化

分类号：TP273(自动化技术及设备)

资助基金：国家自然科学基金61004002；航空科学基金20110184001资助课题

在线出版日期：2015-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：394-399