间歇过程的全局收敛性神经模糊模型

被引：13

作者：

贾立 ^{[1
]}

施继平 ^{[1
]}

邱铭森 ^{[2
]}

机构：

[1] 上海大学机电工程与自动化学院自动化系上海市电站自动化技术重点实验室

[2] 新加坡国立大学工程学院

来源：

信息与控制 | 2009年 / 38卷 / 06期

关键词：

间歇过程; 模糊神经网络; Lyapunov; 非线性模糊规则后件;

D O I：

10.13976/j.cnki.xk.2009.06.013

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为了克服难以获得间歇过程的精确数学模型这一难题,本文采用一种具有非线性模糊规则后件的模糊神经网络建立间歇过程的模型,在此基础上提出一种基于Lyapunov方法的全局收敛性参数学习算法,并给出了严格的数学证明.本文提出的算法具有较好的非线性逼近和参数自学习能力,为间歇生产过程的建模提供了一条新途径.最后,将提出的神经模糊模型用于一个典型间歇过程的建模研究中,仿真结果表明了该算法的有效性,体现了模型潜在的实用价值.

引用

页码：685 / 691

页数：7

共 5 条

[1] 间歇过程的统计建模与在线监测 [J].

陆宁云 ;

王福利 ;

高福荣 ;

王姝 .

自动化学报, 2006, (03) :400-410

[2] NARX网络在自适应逆控制动态系统辨识中的应用 [J].

刘亚秋 ;

马广富 ;

石忠 .

哈尔滨工业大学学报, 2005, (02) :173-176

[3]

Optimal control of a fed-batch bioreactor based upon an augmented recurrent neural network model[J] . Yuan Tian,Jie Zhang,Julian Morris.Neurocomputing . 2002 (1)

[4] EFFICIENT IDENTIFICATION OF RBF NEURAL-NET MODELS FOR NONLINEAR DISCRETE-TIME MULTIVARIABLE DYNAMICAL-SYSTEMS [J].

TAN, SH ;

HAO, JB ;

VANDEWALLE, J .

NEUROCOMPUTING, 1995, 9 (01) :11-26

[5]

A batch-to-batch iterative optimal control strategy based on recurrent neural network models. Zhihua Xiong, Jie Zhang. Journal of Process Control . 2005

← 1 →