基于神经网络的多变量非线性系统广义预测控制

随着航天控制、过程控制、远程机器人控制以及生物医学工程等学科的发展,相应出现了一些强非线性强耦合系统的控制问题。广义预测控制(GPC)像其它的预测控制方法一样,可在优化中考虑各种条件约束,又有很好的鲁棒性和抗干扰性,与常规控制相比,能更好地实现动态控制;另一方面,GPC采用的是受控自回归积分滑动平均(CARIMA)模型,控制律包括积分作用,可以自动消除控制系统的稳态偏差,因此,在单变量线性系统中获得了广泛的应用。当把这种成功的控制思想应用于强非线性强耦合系统时,需先解决解耦和建模的困难。而神经网络以其并行处理、分布式存储、对非线性函数的逼近功能、较好的鲁棒性、自适应性和自学习功能为多变量非线性系统解耦和建立非线性系统GPC的数学模型提供了一条途径。 为使广义预测控制的先进思想应用于非线性系统,本文把非线性系统分为线性部分和非线性部分,用误差反向传播(BP)