基于误差校正的预测控制算法综述

基于预测误差校正的支持向量机短期风速预测
周松林;茆美琴;苏建徽
【期刊名称】《系统仿真学报》
【年(卷),期】2012(24)4
【摘要】对风电场风速进行较为准确的预测,对于电力部门及时调整调度计划至关重要。

建立了支持向量机风速预测模型,并提出了结合预测误差校正来提高预测精度的新思路。

先建立SVM模型初步预测风速,再将得到的训练误差和测试误差分别构建样本,建立基于小波-支持向量机的误差预测模型进行误差预测,最后用预测误差对风速初步预测值进行校正。

仿真结果表明所提方法能明显改善预测精度,而且方法简洁明了,具有很好的稳健性,能够推广到长期风速预测、负荷预测及其它预测领域。

【总页数】5页(P769-773)
【作者】周松林;茆美琴;苏建徽
【作者单位】合肥工业大学教育部光伏系统工程中心;铜陵学院电气工程系
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.基于RVM与ARMA误差校正的短期风速预测
2.基于改进最小二乘支持向量机和预测误差校正的短期风电负荷预测
3.基于PSO-WNN模型的超短期风速预测及
其误差校正4.基于经验模态分解和误差校正的短期风速预测5.基于经验模态分解和误差校正的短期风速预测
因版权原因，仅展示原文概要，查看原文内容请购买。

基于神经网络的广义预测控制综述第18卷第3期2005年6月常州工学院JournalofChangzhouInstituteofTechnologyV o1.18NO.3Jun.2005基于神经网络的广义预测控制综述李东侠张忠禄(常州T学院电子信息与电气工程学院,江苏常州213002)摘要:概括叙述了广义预测控制的发展现状,对具有误差校正的预测控制方法进行了概括,介绍了与神经网络相结合的非线性系统的预测控制方法,并在此基础上讨论了神经网络非线性预测控制中存在的问题及进一步研究的方向.关键词:预测控制;误差校正;神经网络;非线性系统中图分类号:TPI83文献标识码:A文章编号:1671—0436(2005)03—0012—041广义预测控制的发展现状广义预测控制是随着自适应控制的研究而发展起来的一种预测控制方法.GPC基于参数模型,引入了不相等的预测水平和控制水平,系统设计灵活方便,具有预测模型,滚动优化和在线反馈校正等特征,呈现出优良的控制性能和鲁棒性.到现在为止,人们已经对该控制算法作了大量的研究,并且取得了许多研究成果.1.1广义预测控制的间接算法广义预测控制算法有两类主要算法,即问接算法和直接算法(也称为显式算法和隐式算法). 间接算法在被控对象参数未知时,必须首先辨识被控对象的参数,然后利用辨识出来的参数计算求解控制律所需要的中问参数,最后才计算控制量.问接算法中需要进行Diophanfine方程的求解,矩阵求逆,递推最小二乘法的求解,计算量较大.为了减少在线计算量,针对这一问题,提出了许多改进方法.文[1]给出了Diophantine方程递推求解的方法;文[2]利用参数辨识的结果直接求解控制器,不用求解Diophantine方程,减少了计算量;文[3]采用递推的方法建立预测模型,避免了求解Diophantine方程,而且不受多项式稳定的限制;文[4]利用待求逆矩阵中下三角矩阵元收稿日期:2005-03—30素的特点,给出了一种递推求解逆矩阵的方法;文[5]提出了并行结构分解的算法,提高了在线计算效率;文[6]分别针对状态空间模型和输入输出模型,采用递推的方法,将GPC化为解Riccafi 方程,基于脉冲阵列结构提出了参数辨识的并行方法.1.2广义预测控制的直接算法同问接方法相比较,直接算法不需要求解Di. ophantine方程和逆矩阵,直接估计控制器的参数.文[7]在假定被控对象的阶跃响应前Ⅳ项已知的情况下,给出了一种直接算法和全局收敛性分析;文[8]使用带死区的参数估计方法估计控制器参数;文[9]引入等价性能指标,采用两个辨识器,先辨识被控对象的参数,得到广义输出,然后再用改进的最小二乘法估计控制器的参数;文[10]通过求性能指标的等值曲面,分析了受幅度和变化率约束下的优化问题,给出了一种基于几何分析的约束直接广义预测控制算法;文[11]分析了被控对象的开环参数,闭环参数和控制器参数之问的关系,采用三个辨识器,通过辨识开环系统的参数来递推计算系统的预测输出和参考轨迹,通过辨识闭环系统得到系统的广义输出,在此基础上辨识控制器的参数.除了上述基于受控自回归积分滑动平均模型第3期李东侠,张忠禄:基于神经网络的广义预测控制综述13 (CARIMA)的间接算法和直接算法以外,还有许多其他的广义预测控制算法,如与PID相结合的广义预测控制算法¨,与模糊控制相结合的GPC算法¨,变结构的预测控制算法和有约束的广义预测控制算法儿"等,许多学者还提出了一些改进算法,如加权控制律的GPC算法161,增量型广义预测控制…等.2基于神经网络误差校正的广义预测控制2.1误差校正原理对预测控制来说,核心问题是怎样根据对象的已知信息做出较好的预测.由于对象的验前信息的不充分性,基于此类信息集合得到的预测模型,用于在线预测时,其预测值与实测值之间一定存在一个偏差,我们称其为预测误差.预测误差越大,控制效果越差.当前采用的各种预测控制方法,不管是间接算法,还是直接算法,一般其预测输出的预测模型都是建立在数学模型的基础上,都没有考虑建模误差的影响.虽然一般的广义预测控制算法对模型失配有一定的抑制作用, 但目前的算法对模型失配的抑制能力是有限的, 当建模误差较大时,随着预测长度的增加,预测误差必然也会急剧增加,从而有可能破坏预测控制系统的鲁棒性,只有根据实测信息不断进行反馈校正,才能保证预测趋于准确.为了克服这一缺点,考虑引入预测误差对预测输出进行校正,即: 利用预测误差的过去信息建立误差的预测模型, 通过对误差的预测修正系统的预测输出,进一步克服模型失配的影响,提高控制系统的鲁棒性. 引入预测误差以后,系统的预测输出可以表示为: Y(t+k/t)=Y(t+k/t)+Y(t+k/t)(1)其中,Y(t+k/t)表示在t时刻对t+时刻系统输出的预测,Y(t+k/t)表示系统基于数学模型的输出预测,Y,(t+k/t)是根据预测误差的历史数据对模型预测的修正.2.2建立误差预测模型的方法为了克服建模误差的影响,增强预测控制的鲁棒性,许多学者对误差的预测进行了研究.传统方法是用时刻已知的模型输出误差e(k)=Y(k)一Y(k)来修正,文[18]中提出了利用预测误差的历史数据建立误差预测模型,通过对误差的预测修正纯粹基于数学模型的预测,采用时序分析里的AR模型,利用参数辨识的最小二乘法递推估计误差模型参数,建立误差的预测模型.由于神经网络能够逼近任意复杂的非线性函数关系,采用并行分布式信息处理方法,可同时综合定量和定性信息,既可在线学习也可离线计算, 灵活性大,所以用神经网络建立误差预测模型的方法有很大的发展空间.文[19]采用与神经网络相结合的方式,基于BP结构神经网络,对系统的建模误差进行预测, 建立误差的预测模型,取得了较好的控制效果.网络的输入向量为X=[Y(t),Y(t一1),…Y(t一),H(t—1),…,"(t一七一1)],其中Y(?)为系统的输出值,U(?)为系统的控制量,网络的输出向量为Y=[Y(t),…,Y(t—k)],而Y(t一七)Ay(t一七)一Y(t—k/t—k—),k=1,2,…,P(2)其中,Y(t—k)是t—k时刻系统的输出值,Y (t—k/t—k—d)是在t—k—d时刻基于数学模型对Y(t—k)的预测值,d为系统时滞,P为训练样本数.文[2O]提出了一种改进的全局寻优自适应快速BP算法,并应用于广义预测控制算法中, 用该网络建立误差预测模型,解决了限制GPC实时控制的快速性问题.文[21]采用动态BP网络对模型预测误差进行在线补偿,提高了预测精度. 文[22]中提出了利用径向基函数神经网络(RBFNN)来补偿由系统的非线性和外界干扰引起的预测误差,也取得了较好的控制效果.3基于神经网络的非线性系统的广义预测控制实际中的控制对象都带有一定的非线性,大多数具有弱非线性的对象可用线性化模型近似, 并应用已有的线性控制理论的研究成果来获得较好的控制效果.而对具有强非线性的系统的控制则一直是控制界研究的热点和难点,模型线性化无法满足系统控制要求,在某些极端情况下,线性化的参考模型甚至会导致控制系统稳定性的丧失,将广义预测控制对线性系统的良好控制作用l4常州工学院2005正推广到非线性系统,也是预测控制研究的方向之一.就预测控制的基本原理而言,只要从被控对象能够抽取出满足要求的预测模型,它便可以应用于任何类型的系统,包括线性和非线性系统.但由于非线性系统的复杂多样性,在实现的技术上和理论分析上难度比线性系统要大得多.近年来人们对非线性系统的预测控制做了大量的研究,并提出了不少有意义的方法.与神经网络,多模型控制,微分集合理论和微分代数理论等算法相结合,是非线性系统的GPC研究的有效途径之一.由于神经网络理论在求解非线性方面的巨大优势,很快被应用于非线性预测控制中,并形成许多不同的算法.如神经网络的内模控制,神经网络的增量型模型算法控制等,近来一些学者对有约束神经网络的预测控制也作了相应的研究.基于神经网络的非线性GPC研究还处于起步阶段, 这方面的研究成果很少,其主要原因是利用神经网络进行多步预测还没有直接有效的方法.文[24]设计了多层前馈神经网络,使控制律离线求解.文[25]采用两个网络进行预测,但结构复杂,距实际应用还有一定的距离,文[26]利用递阶遗传算法,经训练得出离线神经网络模型,经多步预测得出对象的预测模型,给出了具有时延的非线性系统的优化预测控制.将神经网络用于GPC的研究成果有利用Tank—Hopfield网络处理GPC矩阵求逆的算法,基于神经网络误差修正的GPC算法,利用小脑模型进行提前计算的GPC算法,基于GPC的对角递归神经网络控制方法以及用神经网络处理约束情形的预测控制算法.非线性系统的GPC研究成果还有基于双线性模型的GPC算法等,但算法都具有一定的局限性.4基于神经网络的预测控制中存在的问题众所周知,评价一个神经网络的主要性能指标是学习收敛速度和泛化能力.前者表现在以一定的精度逼近学习样本所需的时间,而后者表现在对学习样本集外的样本的逼近程度.采用Sigmoid函数作为网络单元函数的多层前馈网络(BPN)是当今应用最广的一种网络.这类网络采用反向传播(BP)学习算法.虽然BP网络是应用最多的一种神经网络,但它仍存在一些缺陷:(1)学习速度慢,即使一个比较简单的问题,也需要几百次甚至几千次的学习才能收敛;(2)不能保证收敛到全局最小点; (3)网络隐含层的层数及隐含层的单元数的选取尚无理论上的指导,而是根据经验确定.因此,网络往往有很大的冗余性,无形中增加了网络学习的时间;(4)网络的学习,记忆具有不稳定性.所以以下问题有待进一步完善:(1)神经网络的收敛速度一直是限制其应用的主要问题,要进一步提高神经网络的收敛速度及泛化能力,提高神经网络的实用性.(2)利用神经网络进行多步预测还没有直接有效的方法.(3)对非线性系统的预测控制还没有很好的解决,由于广义预测控制算法本身的特殊性和非线性系统的复杂多样,这方面的研究成果也较少.目前在非线性预测控制中使用的神经网络大多为静态的网络,限制了神经网络的非线性表达能力,并且网络结构复杂计算量大,快速有效的预测控制方法有待进一步研究.[参考文献][1]ClarkeD.W.andMohtadi,C.andTufts,P.S,mGeneralized PredictiveContro1.PartI.TheBasicAlgorithmic.PartIIExtcn—sionsandInterpretations[J].Automatic,1987,23(2):137一l6O.[2]袁着祉,崔保民.新型随机广义预测自校正控制器[J].自动化,1992,18(3):282—289.[3]金元郁.预测控制算法研究[D].沈阳:东北工学院博士学位论文,1990.[4]郭庆鼎,金元郁,胡耀华.求解GPC中逆矩阵的递推算法[J].控制与决策,1996,11(4):510—513.[5]扬健,席裕庚,张钟俊.预测控制滚动优化的时间分解方法[J].自动化,1995,21(5):555—561.[6]慕德俊,戴冠中.基于状态空间模型广义预测控制的并行算法[J].控制理论与应用,1995,12(5):646—652.[7]王伟.广义预测控制自适应控制的直接算法和全局收敛性分析[J].自动化,1995,21(1):57—62.【8]Wangwei.ADirectAdaptiveGeneralizedPredictiveControlAb gorithmwithGuaranteedStabillity[J].Int.J.ofAdaptiveControl&SignalProcessing,1994,8(3):211—227.第3期李东侠,张忠禄:基于神经网络的广义预测控制综述[9]舒迪前,石中锁.隐式自适应广义预测控制器及全局收敛性分析[J].自动化,1995,21(5):545—554.[10]张峻,席裕庚.基于几何分析的约束预测控制直接算法[J].控制与决策,1997,12(2):184—187.[11]胡耀华,贾欣乐.广义预测控制的直接算法[J].控制与决策,2000,15(2):221—223.[12]陈增强,车海平,袁着祉.具有比例积分结构的广义预测自校正控制器[J].控制与决策,1994,9(2):105—110.[13]张化光,吕剑虹,陈来九.模糊广义预测控制及其应用[J].自动化,1993,19(1):9—17.[14]毛志忠,杨琳.一种解决预测控制输入信号受约束问题的方法[J].控制与决策,1994,9(3):230—233.[15]LimKW,HoWK,LeeTH,LingKV,XuW.Generalized PredictiveControllerwithPoleRestriction[J].IEEProc—D, 1998,145(2):219—225.[16]周德云,陈新海.采用加权控制律的自适应广义预测控制器[J].控制与决策,1991,6(1):7—13.[17]孙明玮,陈增强,袁着祉.增量型广义预测控制[J].控制理论与应用,2000,17(2):165—168.[18]古钟璧,王祯学,王苇.具有误差预测修正的预测控制算法[J].控制与决策,1992,7(6):432—436.[19]李少远,刘浩,袁着祉.基于神经网络误差修正的广义预测控制[J].控制理论与应用,1996,13(5):677—680.[20]王一晶,左志强.基于改进BP网络的广义预测控制快速算法[J].基础自动化,2002,9(2):l0一l2.[21]刘晓华,王秀红,杨振光.基于动态BP网络误差修正的广义预测控制[J].青岛大学,2002,15(1):34—39.[22]张彬,李平,陈红艳.基于径向基函数神经网络偏差补偿的预测函数控制[J].哈尔滨理工大学,2003,8(1):46—49.[23]席裕庚.预测控制[M].北京:国防丁业出版社.1993.[24]ParisiniT,SanguinetiandZoppoliR.Nonlinearstabilizationby receding—hodzonneuralregulator[J].Int.J.Control,1998,70(3):341—362.[25]SchenkerB.AgarwalM.LongRangePredictiveControlfor PoorlyKnownSystems[J].Int.J.Control,1990,62(1):227—238.[26]刘宝坤,王慧,曹明,李光良.基于神经网络模型直接优化预测控制[J].信息与控制,1998,27(5):386—390.[27]胡耀华,贾欣乐.广义预测控制综述[J].信息与控制,2000,29(3):248—256.[28]史国栋,王洪元,薛国新.基于径向基函数模型的非线性预测控制策略研究[J].模式识别与人工智能,2000,13(4):361—365.[29]PhilipDWasserman.NeuralComputingTheoryandPractice[M].NewY ork:VanNostrandReinhold.1989.124—129. SummarizationofGeneralizedPredictiveControlBasedonNeuralNetworkLIDong?-xiaZHANGZhong?-lu(SchoolofElectronicInformation&ElectricEngineering,ChangzhouInstituteofTech nology,Changzhou213002)Abstract:ThispapersummarizestheactualityofGeneralizedPredictiveControl(GPC).The predic.tivecontrolmethodwitherrorcorrectionissummedup.Thenitrecommendsthepredictiveme thodscom.binedwithneuralnetworkofnonlinearsystem.Basedonthisitpresentstheproblemsexistingi nthepredic. tivecontrolofnonlinearsystemandfurtherresearchtrendsarealsodiscussed. Keywords:predictivecontrol;errorcorrection;neuralnetwork;nonlinearsystem责任编辑:张秀兰。

基于神经网络误差补偿的预测控制研究毕业论文目录摘要............................................... 错误!未定义书签。

1 预测控制 (2)1.1 预测控制的产生 (2)1.2 预测控制的发展 (3)1.3 预测控制算法及应用 (4)1.3.1模型控制算法（Model Algorithmic Control，MAC） (5)1.3.2动态矩阵控制（Dynamic Matrix Control，DMC） (5)1.3.3广义预测控制（Generalized Predictive Control，GPC） (5)1.3.4极点配置广义预测控制 (5)1.3.5内模控制 (5)1.3.6模糊预测控制 (6)1.4 预测控制的基本特征 (6)1.4.1预测模型 (6)1.4.2反馈校正 (6)1.4.3滚动优化 (6)1.5预测控制的现状 (7)2 神经网络 (7)2.1 人工神经网络的生理原理 (8)2.2 神经网络的特征 (10)2.3 神经网络的发展历史 (11)2.4 神经网络的内容 (12)2.5 神经网络的优越性 (14)2.6 神经网络研究方向 (14)2.7 神经网络的应用分析 (14)2.8 神经网络使用注意事项 (17)2.9 神经网络的发展趋势 (18)2.10 BP神经网络 (18)2.10.1 BP神经网络模型 (18)2.10.2 BP网络模型的缺陷分析及优化策略 (19)2.10.3 神经网络仿真 (20)3．动态矩阵控制 (22)3.1 预测模型 (22)3.2 滚动优化 (23)3.3 反馈校正 (24)3.4 有约束多变量动态矩阵控制及其线性化 (27)3.5 动态矩阵控制仿真 (29)4 基于神经网络误差补偿的预测控制 (32)4.1 研究背景 (32)4.2 传统PID控制 (33)4.2.1位置式PID控制 (33)4.2.2 增量式PID控制 (35)4.3 基于神经网络的动态矩阵控制 (37)4.4 基于神经网络输出反馈的动态矩阵控制研究 (40)4.5 基于神经网络误差补偿的动态矩阵控制 (46)4.6 仿真效果验证 (51)总结 (57)参考文献 (58)1 预测控制1.1 预测控制的产生预测控制的产生，并不是理论发展的需要，而首先是工业实践向控制提出的挑战。

基于跟踪误差模型的无人驾驶车辆预测控制方法-回复无人驾驶车辆（UAV）的预测控制方法是使车辆在真实道路环境中以高效且安全的方式行驶的关键技术之一。

基于跟踪误差模型的控制方法被广泛应用于无人驾驶车辆的控制系统中，可以提供高精度的车辆运动轨迹预测。

本文将详细介绍基于跟踪误差模型的无人驾驶车辆预测控制方法，并逐步回答相关问题。

一、什么是跟踪误差模型？跟踪误差模型是一种数学模型，用于描述车辆的运动状态与期望轨迹之间的误差。

该模型通常包括位置误差、姿态误差和速度误差等参数，用于衡量车辆在运动过程中与期望轨迹之间的差距。

二、基于跟踪误差模型的预测控制方法的原理是什么？基于跟踪误差模型的预测控制方法的原理是通过对车辆运动状态的建模，预测未来一段时间内的车辆轨迹，并与期望轨迹进行对比和校正。

具体而言，该方法通过当前的车辆状态（位置、姿态和速度等）和期望轨迹，计算出跟踪误差模型，并利用该模型预测未来时刻的跟踪误差。

然后，将预测的误差作为控制输入，通过控制算法实现对车辆控制信号的调整，使得车辆按照期望轨迹行驶。

三、基于跟踪误差模型的预测控制方法的具体步骤是什么？1. 确定期望轨迹：根据实际需求和场景要求，确定无人驾驶车辆的期望运动轨迹。

例如，可以设计一条路径规划算法或者通过遥控方式手动指定车辆的期望轨迹。

2. 获取车辆状态：利用传感器或者GPS等定位系统获取车辆当前的位置、姿态和速度等状态参数。

3. 建立跟踪误差模型：根据获取的车辆状态和期望轨迹，建立跟踪误差模型。

通常可以使用误差向量表示跟踪误差，如位置误差、姿态误差和速度误差等参数。

4. 预测未来轨迹：利用建立的跟踪误差模型，预测未来一段时间内的车辆轨迹。

可以使用预测控制算法，例如卡尔曼滤波器或者递归最小二乘法等，对车辆状态进行更新和预测。

5. 控制信号调整：根据预测的车辆轨迹和期望轨迹之间的误差，通过控制算法调整车辆的控制信号，使得车辆能够按照期望轨迹行驶。

常用的控制算法有PID控制、模型预测控制等。

基于神经网络的机械系统误差预测与修正方法近年来，随着人工智能和机器学习的发展，神经网络成为许多领域中的热门研究方向。

机械系统是其中之一。

在机械系统的运行过程中，误差的积累是常见问题之一。

本文将介绍基于神经网络的机械系统误差预测与修正方法，旨在提高机械系统的精度和稳定性。

一、误差预测机械系统中的误差来源多种多样，包括传感器的噪声、机械结构的不精确性和外界环境的干扰等。

传统的误差预测方法主要依赖于物理模型，但这种方法对于误差的复杂性和变化性较难处理。

因此，基于神经网络的误差预测方法应运而生。

神经网络是一种模仿人脑神经元网络的数学模型，其可以通过训练学习到大量的数据以及其与输出之间的关系。

对于机械系统，我们可以将输入定义为系统的工作状态和环境参数，输出定义为误差的预测值。

通过对大量数据的训练，神经网络可以学习到系统的误差特征，从而实现误差的准确预测。

二、误差修正误差预测只是解决机械系统误差问题的一部分，修正误差是更为关键的环节。

通过误差修正，我们可以使系统的输出达到预期的精度和稳定性。

在基于神经网络的机械系统误差修正方法中，我们可以利用误差预测的结果来调整系统的工作参数。

例如，对于一个机械臂系统，通过改变关节的角度或速度，我们可以减小误差的影响。

此外，神经网络还可以通过反馈控制的方式进行误差修正。

将神经网络的预测结果与实际输出进行对比，通过调整系统的控制信号来修正误差。

除了参数调整和反馈控制，基于神经网络的机械系统误差修正方法还可以利用学习能力来提高修正效果。

通过不断地更新神经网络的权重和偏置，使其逐渐适应系统的误差特征。

这种自适应学习的方法可以使机械系统具有更好的鲁棒性和适应性，有效地降低误差。

三、实验与应用为了验证基于神经网络的机械系统误差预测与修正方法的有效性，许多实验研究已经进行。

其中，一些研究人员采用了基于深度学习的神经网络模型，成功地实现了对机械系统误差的准确预测和修正。

这些实验结果表明，基于神经网络的方法相比于传统的方法具有更高的准确度和稳定性。

基于神经网络误差补偿的预测控制摘要非线性系统预测控制已成为一个有着广阔前景的研究热点。

预测控制的多步预测和滚动优化有克服建模误差影响的能力，使控制系统具有一定的鲁棒性。

但研究表明,预测控制对模型失配的鲁棒性是有限的，仍需要一个较准确的预测模型。

实际系统大都是难以准确建模的非线性系统，如何提高预测的精确性以增强控制系统鲁棒性是非线性系统预测控制研究的重要问题。

建立在反馈校正原理上的预测误差补偿是一种有效的方法。

本文提出了一种基于对象定量和定性信息的组合预测控制方法，但其只是对一类特殊对象而言。

本文对模型失配误差用Bp 网络建模, 构成误差修正DMC 算法, 然而由于经训练的网络权值固定不变, 当工况发生较大变化时, 修正后的预测值仍有可能产生较大误差。

本文利用一种权值可以在线调整的动态Bp 网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。

由于该算法显著提高了预测精度，从而增强了预测控制算法的鲁棒性。

关键词：预测控制神经网络动态矩阵误差补偿Error compensation based on neural network predictive controlAbstractPredictive control of nonlinear systems has become a promising research focus. Predictive control of multi-step prediction and rolling optimization has the ability to overcome the effects of modeling errors, the control system has a certain robustness. But studies show that mismatch the model predictive control robustness is limited,still need a more accurate prediction models.The actual system are mostly difficult to accurately model nonlinear systems, how to improve forecast accuracy to enhance the robustness of control systems predictive control of nonlinear systems is an important issue. Based on the principle of feedback on the forecast error correction is an effective method of compensation.This paper presents an object-based combination of quantitative and qualitative information predictive control, but only in terms of a special class of objects. In this paper, the model mismatch error with Bp network modeling, error correction form DMC algorithm, but because of trained network weights are fixed when the conditions changed greatly, the revised forecast is still possible to have agreater error. This use of a weight you can adjust the dynamic online Bp network model prediction error and prediction models to be combined together constitute the dynamic combination of predictors, on the basis of the formation of the model error has the ability to predict the dynamic compensation control algorithm. Since the algorithm significantly improves the prediction accuracy, thus increasing the predictive control algorithm robustness.Keywords:Predictive Control Neural network Dynamic MatrixError compensation目录摘要 (1)1 预测控制 (5)1.1 预测控制的产生 (5)1.2 预测控制的发展 (5)1.3 预测控制算法及应用 (7)1.3.1模型控制算法（Model Algorithmic Control，MAC） (7)1.3.2动态矩阵控制（Dynamic Matrix Control，DMC） (7)1.3.3广义预测控制（Generalized Predictive Control，GPC） (7)1.3.4极点配置广义预测控制 (7)1.3.5内模控制 (8)1.3.6模糊预测控制 (8)1.4 预测控制的基本特征 (8)1.4.1预测模型 (8)1.4.2反馈校正 (8)1.4.3滚动优化 (9)1.5预测控制的现状 (9)2 神经网络 (10)2.1 人工神经网络的生理原理 (10)2.2 神经网络的特征 (12)2.3 神经网络的发展历史 (13)2.4 神经网络的内容 (14)2.5 神经网络的优越性 (16)2.6 神经网络研究方向 (16)2.7 神经网络的应用分析 (17)2.8 神经网络使用注意事项 (20)2.9 神经网络的发展趋势 (20)2.10 BP神经网络 (20)2.10.1 BP神经网络模型 (21)2.10.2 BP网络模型的缺陷分析及优化策略 (21)2.10.3 神经网络仿真 (22)3．动态矩阵控制 (25)3.1 预测模型 (25)3.2 滚动优化 (26)3.3 反馈校正 (27)3.4 有约束多变量动态矩阵控制及其线性化 (29)3.5 动态矩阵控制仿真 (32)4 基于神经网络误差补偿的预测控制 (35)4.1 研究背景 (35)4.2 传统PID控制 (36)4.2.1位置式PID控制 (36)4.2.2 增量式PID控制 (38)4.3 基于神经网络的动态矩阵控制 (40)4.4 基于神经网络输出反馈的动态矩阵控制研究 (43)4.5 基于神经网络误差补偿的动态矩阵控制 (49)4.6 仿真效果验证 (54)总结 (60)参考文献 (61)1 预测控制1.1 预测控制的产生预测控制的产生，并不是理论发展的需要，而首先是工业实践向控制提出的挑战。

杭州电子科技大学信息工程院毕业设计(论文）文献综述毕业设计（论文）题目多变量解耦预测算法研究文献综述题目预测控制算法的研究系自动控制系专业自动化姓名蔡东东班级08092811学号0８9２8106指导教师左燕预测控制算法的研究1 引言预测控制是源于工业过程控制的一类新型计算机控制算法．70年代后期，它已应用于美法等国的工业过程控制领域中。

1９78 年,理查勒特 (Ｒchaleｔ）等在文献[１]中首次详细阐述了这类算法产生的动因、机理及其在工业过程中的应用效果,从此,预测控制 (Pｒedicｔｉve Cｏｎtｒol)作为一种新型的计算机控制算法的统一名称,便开始出现在控制领域中.预测控制作为一种复杂系统的控制策略和方法，有着强烈的应用背景，它所具有的强鲁棒性已为大量的系统仿真和工业实践所证实。

当对象参数未知时，通常采用参数自适应算法来估计对象参数,根据确定性等价原理,建立间接式的自适应广义预测控制。

然而,当被控对象具有未建模动态、参数时变、非线性及有界干扰时,这样建立的自适应算法未必能使广义预测控制的强鲁棒性得到保持。

为此，不少学者从不同的立足点出发,开展了提高算法鲁棒性的研究。

ﻫ由于实际的生产过程大多是复杂的动态过程，精确建模具有特殊的困难,因而，描述对象的数学模型与实际对象特性之间不可避免地存在模型误差.尽管模型误差无法预知，但根据它的历史数据，仍有可能用某些方法对未来时刻的模型失配作出某种预报，由此提高输出预测的精度、改善算法的鲁棒性。

文献[2]利用预测误差的历史数据建立误差预测模型，通过误差预测修正输出预测。

文献［3］则是将人工智能方法引入预测控制,在对实际运行经验总结的基础上,选择对系统输出有重要影响却难以归并到数学模型中的状态特征作为特征量,由此建立系统状态特征与预测误差之间的定量或定性映射关系，实现对预测误差的智能补偿。

ﻫ从反馈校正的实施方式出发,针对预测控制单一输出反馈的局限性,文献［4]通过分析过程的中间信息,综合利用模型预测和误差预测，针对工业串联系统提出一种多反馈的预测控制结构,及时地抑制了扰动和模型失配的影响,提高了系统的鲁棒性和抗干扰性。