基于微粒群的神经网络预测控制理论及应用PDF|Epub|txt|kindle电子书版本网盘下载

基于微粒群的神经网络预测控制理论及应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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