基于RBF神经网络的动态矩阵控制算法.pdfVIP

第 28 卷总第 68 期 　　　　　　　　　　西 北 民 族 大 学 学 报 ( 自然科学版) Vol . 2 8 ,No . 4 2 0 0 7 年 1 2 月 　　　 　J ourn al of Nor th west Un iver sity f or Na t iona lit ies(N at ural S ien e) De ,2 007 基 于 RB F 神 经 网 络 的 动 态 矩 阵 控 制 算 法 王彩霞 ( 西北民族大学 电气工程学院 ,甘肃 兰州 73 0030) [摘 　要] 利用 RB F 网络对 DMC 算法进行结构上的改进 ,并用 RBF 网络 的逼近性 能建立预测模型 , 提出一种基 于 RBF 神经网络建模的动态矩阵控制算法 , 并用该算法对典型的时滞系统进行仿真试验 ,结果表明该算法具有较高的控制 精度和响应速度 1 [ 关键词] RBF 神经网络 ;动态矩阵控制 ; 时滞系统 [ 中图分类号] O2 31 ; TB 114 . 2 　　　[文献标 识码 ] A 　　　[ 文章编号] 100 9 - 2 102 (2 007) 04 - 0001 - 04 由于工业过程中所涉及的复杂对象 ,很难保证到对象精确的数学模型 ,因此基于严格 的数学模型在 现代控制理论 的综合方法使用 中受到了很大 的限制 1 动态矩阵控制[ 1] (DM C) 是一种基于非参数模型 的预测控制 ,它以被控对象的实际阶跃响应为基础 ,适用于渐近稳定的线性对象 ,它无需知道系统传统 的精确数学模型 ,并能将系统控制到较高的精度 ,重要 的是它具有较强的鲁棒性 ,非常适用于时滞系统 ( ) 的控制 ;而神经网络具有较强的 自学习 、自适应能力 ,特别是径 向基函数网络 RB F 网络 是一类结构简 单 、收敛速度快的前向型网络 , 它具有全局逼近的性能 , 同时 RB F 神经网络不存在局部收敛 问题. 正是 基于 RB F 网络的上述优点 ,本文选用 RB F 网络对 DM C 算法进一步进行结构上 的改进 ,利用 RBF 网络 的逼近性能建立预测模型 ,提出了一种基于RBF 神经网络建模的动态矩阵控制算法 ,进一步提高控制性能 1 ( ) [2 ] 1 　径向基神经网络 RB F ( ) 径 向基函数神经 网络一般用高斯函数 Gau ssian Fu n tion 作基 ,该网络具有逼近精度高 、表示形式 简单 、隐层到输出层为线性关系 、收敛速度快等特点 1 高斯函数神经 网络是一种三层前向网络 ,第一层 为输入层 ,由信号源节点组成 ,第二层为隐含层 ,其节点数的多少 由具体问题确定 ,第三层为输 出层 1 从 输入空间到隐含空间的变换是非线性的 ,从隐含空间到输出空间的映射是线性 的 , 隐含层 的变换函数为 高斯函数 ,它是一种对 中心点径 向对称且衰减 、非负的非线性函数 1 其网络图及输入输出变量关系如下 : 控制、预测控制 1 [ 收稿 日期] 2 007 - 0 9 - 30 [ 基金项 目] 校级青年教师项 目 ,项 目名称为《大时滞系统的智能预测控制算法研究》1 [ 作者简介] 王彩霞( 19 74 —) , 女 ,河南荥阳人 , 研究方向为 智能 — 1 — 　　输入层 : x = [ x 1 x2 ⋯xN ] T 2 ( ) 2 ( ) 2 ‖x