基于微粒群的神经网络预测控制理论及应用PDF电子书下载

第1章 绪论 1

1.1预测控制的特点 1

1.2预测控制的历史发展与现状 4

1.3神经网络在预测控制中的应用研究现状 11

1.4预测控制的基本原理 14

1.4.1预测模型 15

1.4.2滚动优化 16

1.4.3反馈校正 17

1.5预测控制的基本特征 17

1.6预测控制的基本模型 19

1.6.1阶跃响应与脉冲响应模型 19

1.6.2传递函数模型 24

1.6.3状态空间模型 27

1.7小结 30

参考文献 30

第2章 经典预测控制方法 40

2.1三种经典预测控制方法发展历程 40

2.2基于脉冲响应模型的模型算法控制 46

2.2.1模型算法控制预测模型 46

2.2.2模型算法控制反馈校正 48

2.2.3模型算法控制优化控制 49

2.2.4有约束的模型算法控制 54

2.3基于阶跃响应模型的动态矩阵控制 56

2.3.1动态矩阵控制预测模型 57

2.3.2动态矩阵控制滚动在线优化 58

2.3.3动态矩阵控制反馈校正 61

2.3.4有约束的动态矩阵控制 64

2.4基于传递函数模型的广义预测控制 66

2.4.1广义预测控制预测模型 67

2.4.2广义预测控制滚动在线优化 70

2.4.3广义预测控制反馈校正 72

2.4.4广义预测控制的基本性质 74

2.4.5多变量和有约束的广义预测控制 75

2.5小结 80

参考文献 80

第3章 预测控制中的建模方法 84

3.1常用被控对象建模方法 84

3.1.1传统的输入/输出模型 85

3.1.2模糊模型 89

3.1.3神经网络模型 92

3.1.4其他智能模型 93

3.2基于神经网络的系统辨识 98

3.2.1系统辨识的定义及特点 98

3.2.2系统辨识的基本方法 100

3.2.3神经网络用于系统辨识的一般结构 107

3.3延迟时间参数的辨识 110

3.4模型参数优化方法 115

3.5小结 119

参考文献 119

第4章 微粒群优化算法 126

4.1基本微粒群优化算法 126

4.1.1算法描述 126

4.1.2收敛性分析 129

4.2微粒群优化算法的基本改进思想 135

4.2.1进化公式的改进 136

4.2.2局部寻优与微粒群优化算法结合的混合算法 138

4.2.3离散变量的微粒群优化算法 140

4.3突变微粒群优化算法 142

4.3.1小波函数基本性质分析 142

4.3.2小波微粒群优化算法描述 143

4.3.3仿真实例 145

4.4动态邻域微粒群优化算法 147

4.4.1邻域拓扑结构 147

4.4.2动态邻域微粒群优化算法描述 150

4.4.3仿真实例 154

4.5协同大规模微粒群优化算法 157

4.5.1基于信赖域方法自适应搜索范围调整 158

4.5.2基于线性分配的模糊C均值两阶段聚类算法 159

4.5.3带有模糊聚类和信赖域的动态邻域微粒群优化算法描述 164

4.5.4仿真实例 165

4.6混沌映射微粒群优化算法 170

4.6.1混沌映射优化 170

4.6.2Logistic映射微粒群优化算法 171

4.6.3仿真实例 173

4.7高斯微粒群优化算法 174

4.7.1高斯微粒群优化算法描述 174

4.7.2仿真实例 177

4.8小结 181

参考文献 181

第5章 基于微粒群优化算法的神经网络预测控制方法 190

5.1高斯微粒群优化算法用于动态神经网络设计 190

5.1.1带有动态神经元的神经网络结构 191

5.1.2基于梯度下降的模型参数学习算法 193

5.1.3基于微粒群优化算法的动态神经网络稳定性分析 198

5.1.4基于高斯微粒群优化的动态神经网络系统辨识 202

5.1.5仿真实例 204

5.2协同大规模微粒群优化算法用于Smith预估双控制器设计 210

5.2.1 Smith预估双控制器设计 210

5.2.2控制结构与性能分析 212

5.2.3神经网络控制器设计 213

5.2.4仿真实例 214

5.3协同大规模微粒群优化算法用于神经网络模型预测控制 217

5.3.1多变量非线性模型预测控制结构 218

5.3.2未知非线性动态系统的模型预测控制 221

5.3.3仿真实例 224

5.4高斯微粒群优化算法用于神经网络内模预测控制器设计 227

5.4.1内模预测控制器结构设计 227

5.4.2 pH中和过程预测控制模型 231

5.4.3仿真实例 235

5.5小结 238

参考文献 238

第6章 基于微粒群优化算法的预测模型及其实际应用 243

6.1基于微粒群优化算法的案例推理方法 243

6.1.1案例推理的基本原理 243

6.1.2基于微粒群优化算法的自学习距离测度 245

6.1.3基于微粒群优化的案例推理模型 247

6.1.4仿真实例 249

6.2基于微粒群优化算法的独立成分分析方法 252

6.2.1独立成分分析方法基本原理 252

6.2.2基于微粒群不动点迭代优化的独立成分分析方法 255

6.2.3仿真实例 258

6.3基于微粒群优化算法的支持向量机方法 261

6.3.1支持向量机基本原理 262

6.3.2基于微粒群优化算法的终点预报模型 264

6.3.3仿真实例 269

6.4基于微粒群的鲁棒相关向量机方法 274

6.4.1相关向量机基本原理 274

6.4.2鲁棒相关向量机基本原理 276

6.4.3基于微粒群优化算法的鲁棒相关向量机核参数自适应优化 280

6.4.4仿真实例 284

6.5小结 290

参考文献 290

第7章 多目标微粒群优化算法及其应用 296

7.1多目标优化基本原理 296

7.1.1多目标优化基本概念 297

7.1.2多目标优化算法的分类 301

7.1.3多目标优化算法的收敛性分析 307

7.1.4多目标优化解集的评价指标 311

7.2多目标微粒群优化算法及其改进 314

7.2.1多目标微粒群优化算法 314

7.2.2动态邻域多目标微粒群优化算法及其改进 315

7.2.3基于自适应网格的优化解集维护方法 318

7.2.4仿真实例 322

7.3改进多目标微粒群优化算法在转炉炼钢合金加入量优化中的应用 328

7.3.1转炉合金加入量优化模型的建立 328

7.3.2合金加入量和钢包各个元素含量预报模型 330

7.3.3基于微粒群优化算法优化的多目标合金加入量模型 334

7.3.4仿真实例 335

7.4小结 340

参考文献 340

附录 重要公式符号对照表 347