下载文档原格式
广义预测控制快速算法研究The Research On Fast Algorithm Of Generalized Predictive Control (School of Electrical Engineering and Automation, Tianjin University, Nankai District, Tianjin 300072, China)ABSTRCT：The Implementation of GPC algorithm,needs on-line estimation of control object parameter,to design a controller.Because the GPC algorithm to control the increment calculation involves the solution of Diophantine equation and the solution of inverse matrix, the on-line calculation quantity is quite big, not suitable for application in real-time, limiting his range of application. Some researchers committed to reduce the amount of computation research, there has been a lot of improved generalized predictive control algorithm. The research on the generalized predictive control fast algorithm is extensive with each passing day, the main research includes:the fast algorithm about generalized predictive control combined with neural network. the fast algorithm on grey model system with less identification parameters , the fast algorithm results from direct improved generalized predictive control law, the fast algorithm using the particularity of the model structure,the combination between generalized predictive control and fuzzy logic algorithm and so on. The algorithm is mainly through the use of various means to avoid solving the Diophantine equation and its inverse matrix to improve system speed .KEY WORDS：Fast algorithm of generalized predictive control, Neural network, Gray system model, Directly Improved generalized predictive control law , The special structure of the model, Fuzzy logic system摘要：实施GPC算法时, 需要在线估计控制对象的参数, 用于设计控制器。
分析师预测精准度的影响因素文献综述随着信息和数据技术的快速发展，金融领域的分析师需要更加高效和精准地预测市场趋势。
然而，分析师的预测精准度往往受到多种因素的影响。
本文将从市场信息、个体因素和行业结构三个方面进行分析师预测精准度的影响因素。
市场信息方面，史密斯和拉弗提出了市场有效性假说，认为市场的价格是反映了所有可获得的信息，任何预测都是无法超过市场的收益率。
然而，众多研究表明，市场并非完全有效，存在价格滞后和非理性行为等现象。
这些非有效性因素会影响分析师的预测精准度。
例如，周黎明和潘宏伟通过研究中国上市公司的分析师预测数据发现，市场价格滞后对分析师预测精准度有着显著影响。
在平滑市场上行期，分析师的预测精准度会高于平滑市场下行期。
个体因素方面，分析师的经验、能力和个性特质等因素都会影响其预测精准度。
研究表明，分析师的经验和能力对预测精准度有着显著影响。
例如，张金华和林祖威通过研究中国上市公司的分析师数据发现，预测周期的持续增加会显著提高分析师的预测精准度。
此外，分析师的特性也会影响其预测精准度。
研究发现，分析师的自信程度高、个性独立、思考方式灵活的人预测精准度更高。
行业结构方面，分析师的预测精准度也受到行业特性的影响。
研究表明，行业的竞争程度、规模、复杂度等因素会影响分析师的预测精准度。
例如，吕涣和陈敏通过研究中国证券分析师数据发现，在具有高竞争度和复杂性的行业中，分析师的预测精准度更低。
总之，分析师的预测精准度受到多种因素的影响。
市场信息、个体因素和行业结构都会对其预测精准度产生不同程度的影响。
了解这些影响因素对于提高分析师的预测精准度具有一定的指导意义。
电力系统中传统负荷预测方法的文献综述负荷预测的核心问题就是预测的技术方法，或者说是预测数学模型。
随着现代科学技术的不断进步，负荷预测理论、技术得到了很大的发展，理论研究逐步深入，适合本地特点的预测程序、软件开始出现。
但不可否认的是，就目前而言，我国的电力系统负荷的预测技术还是比较落后的，相应的基于软件的技术还不能满足现代社会的需求，有待进一步提高。
传统的负荷预测方法如回归模型法，卡尔曼滤波法，时间序列法，灰色预测法，专家系统法，模糊理论法，神经网络法，小波分析法等。
这些传统的预测方法无论是哪种均具有不足和缺陷，随着对负荷预测的深入研究和广泛应用，传统的预测方法的应用越来越难以适应发展，逐渐形成了现代负荷预测方法。
文献【1】针对传统静态神经网络自适应能力差、收敛速度慢、预测精度低的问题,提出了一种基于小波分析和Elman动态神经网络的中长期电力负荷预测方法,该算法通过对原始样本进行小波分解,将分解后的低频趋势信号和高频细节信号分别进行预测,在输出端再进行重构后得到预测曲线;然后就传统负荷预测问题中数据预处理环节的数据校验问题,提出了一种基于小波理论的奇异点检测法,该方法对原始样本进行一维离散小波分解,抽取一层高频细节信号进行分析,根据工程实践中设置的阈值,来检测有可能因为系统故障、人为失误导致的数据记录错误,为准确预测提供了保障。
文献【2】提出一种基于人工神经网络的电力负荷预测方法 ,该方法充分吸收了神经网络非线性逼近能力的优点。
在神经网络结构设计中充分考虑了电力负荷的特点 ,并用神经网络加权最小方差模型(NNWLS)对样本进行训练。
在实际预测中 ,该预测方法取得了比较高的的预测精度。
文献【3】针对人工神经网络模型在进行负荷预测时,大多不考虑气象等因素的影响,提出了一种基于数据挖掘预处理的改进短期电力负荷预测的方法,应用数据挖掘的聚类功能,寻找与预测日同等气象类型的多个历史短期负荷数据序列进行预测,从而提高预测的精度。
文献综述前言从20世纪40年代起，特别是第二次世界大战以来，自动化随着工业发展和军事技术需要而得到了迅速的发展和广泛的应用。
如今，自动控制技术不仅广泛应用于工业控制中，在军事、农业、航空、航海、核能利用等领域也发挥着重要的作用。
例如，电厂中锅炉的温度或压力能够自动恒定的不变，机械加工中数控机床按预定程序自动地切削工件，军事上导弹能准确地击中目标，空间技术中人造卫星能按预定轨道运行并能准确地回收等，都是应用了自动控制技术的结果。
自动控制，是指在没有人直接参与的情况下，利用控制装置对机器设备或生产过程进行控制，使之达到预期的状态或性能要求。
双容水箱液位控制系统就是自动控制技术在液位控制方面的应用。
其在化工，能源（电厂）等工业工程控制中得到了广泛应用。
过程控制的发展历程随着过程控制技术应用范围的扩大和应用层次的深入，以及控制理论与技术的进步和自动化仪表技术的发展，过程控制技术经历了一个由简单到复杂，从低级到高级并日趋完善的过程。
1过程控制装置的发展1.1基地式控制阶段（初级阶段）20世纪50年代，生产过程自动化主要是凭借生产实践经验，局限于一般的控制元件及机电式控制仪表，采用比较笨重的基地式仪表（如自力式温度控制器、就地式液位控制器等），实现生产设备就地分散的局部自动控制。
在设备与设备之间或同一设备中的不同控制系统之间，没有或很少有联系，其功能往往限于单回路控制。
其过程控制的主要目的是几种热工参数（温度、压力、流量及液位）的定值控制，以保证产品质量和产量的稳定。
1.2单元组合仪表自动化阶段20世纪60年代出现了单元组合仪表组成的控制系统，单元组合仪表有电动和气动两大类。
所谓单元组合，就是把自动控制系统仪表按功能分成若干单元，依据实际控制系统结构的需要进行适当的组合。
单元组合仪表之间用标准统一的信号联系，气动仪表（QDZ系列）信号为0.02～0.1MPa气压信号，电动仪表信号为0～10mA直流电流信号（DDZ-II系列）和4～20mA直流电流信号（DDZ-III系列）因此单元组合仪表使用方便、灵活。
文献综述1.研究背景及其意义大型火电单元机组的协调控制系统是一个相对复杂的多变量控制系统，具有大时滞、慢时变的特点。
单元机组协调控制系统把机炉设备作为一个整体进行控制，受控过程十分复杂。
影响机组动态特性的因素除了其内在的物理结构属性以外，还与机组的运行方式、运行工况、外部环境等因素有关。
一般说来，单元机组的动态特性是本质非线性，并具有分布参数和时变特性。
对单元机组动态特性的精确描述目前还难以得到[1]，使采用固定参数的PID控制器不能与生产上越来越高的控制要求相适应。
对于具有延迟特性的被控对象来说，由于反馈量往往不能及时地反映对象模型和扰动的变化，使得PID控制器输出总是不能跟上对象模型和扰动的变化，所以，常规PID控制器对于这类对象的控制效果很不理想[2]。
而预测控制对大迟延对象具有独特的优势，该控制策略在单元机组协调控制系统上具有很好的控制品质，具有较广阔的应用前景[1]。
2.研究现状模型预测控制(Model Predictive Control,简称MPC)是近年来发展起来的一类新型的计算机控制算法。
由于它采用多步测试、滚动优化和反馈校正等控制策略，因而控制效果好，适用于控制不易建立精确数字模型且比较复杂的工业生产过程，所以它一出现就受到国内外工程界的重视，并且在石油、化工、电力、冶金、机械等工业部门的控制系统中得到了非常成功的应用[3]。
预测控制的典型算法有三种:(1) 模型算法控制(Model Algorithmic Control，简称MAC)是由Richalet和Mehra等在20世纪70年代后期提出的一类模型预测控制算法。
MAC算法采用基于对象脉冲响应的非参数数学模型作为内部模型，适用于渐近稳定的线性对象。
(2) 动态矩阵控制(Dynamic Matrix Control，简称DMC)最早在1973年就已经应用于Shell石油公司的生产装置上。
DMC算法也是一种基于被控对象非参数数学模型的控制算法，它以系统的阶跃响应模型作为内部模型。
分析师预测精准度的影响因素文献综述近年来，随着金融市场的不断发展和变化，分析师预测精准度成为了投资者决策的重要参考依据。
分析师的预测精准度不仅与他们的专业素质有关，还受到许多其他因素的影响。
本文将从分析师的个人特征、市场环境和公司治理等方面对影响分析师预测精准度的因素进行综述。
个人特征是影响分析师预测精准度的重要因素之一。
研究表明，分析师的经验和专业背景对其预测精准度有着显著影响。
具有更长从业经验的分析师往往具有更好的市场洞察力和判断能力，其预测更加准确。
拥有金融学或会计学等专业背景的分析师也往往能够更好地理解财务数据和公司业绩，从而提高其预测的准确性。
除了个人特征，市场环境也对分析师预测精准度产生着重要影响。
研究发现，市场流动性对分析师的预测精准度有着积极的影响。
在流动性较高的市场中，市场参与者更容易获取信息，并能够更好地理解和反应市场变化，从而提高对于公司业绩的预测能力。
研究还发现，市场预期对于分析师的预测精准度也有着显著影响。
当市场对某一公司或行业的预期一致时，分析师的预测精准度往往较高，反之则较低。
影响分析师预测精准度的因素并不局限于个人特征、市场环境和公司治理，还受到许多其他因素的综合影响。
研究发现，分析师的激励机制对其预测精准度有着显著影响。
提供更多的奖励和激励措施能够激发分析师的工作热情和创造力，从而提高他们的预测准确性。
分析师间的信息共享和合作也能够提高其预测精准度。
研究发现，在分析师之间建立有效的信息交流和合作网络，能够提高他们的预测准确性。
分析师的个人特征、市场环境和公司治理等多个因素对其预测精准度产生着重要影响。
理解这些影响因素对于投资者评估和使用分析师预测是至关重要的，同时也对相关监管机构和公司管理层改进公司治理、提高信息透明度等方面有着重要的借鉴意义。
基于Koopman算子的连续搅拌反应釜的模型预测控制目录一、内容描述 (2)1.1 研究背景 (3)1.2 研究目的与意义 (4)1.3 文献综述 (5)二、Koopman算子理论基础 (6)2.1 Koopman算子的定义与性质 (8)2.2 Koopman算子在连续系统中的应用 (9)2.3 Koopman算子与模型预测控制的结合 (10)三、连续搅拌反应釜的数学模型 (11)3.1 反应釜的动态平衡方程 (13)3.2 反应釜中的传递关系 (14)3.3 常微分方程组的建立 (15)四、基于Koopman算子的模型预测控制方法 (16)4.1 Koopman算子在线性化模型中的应用 (17)4.2 状态空间表示与Koopman算子的转换 (19)4.3 动态矩阵预测控制算法 (20)4.4 其他改进的Koopman模型预测控制方法 (21)五、仿真实验设计与结果分析 (23)5.1 仿真实验硬件平台与参数设置 (24)5.2 实验设计与工况选择 (25)5.3 结果分析 (26)六、结论与展望 (28)6.1 研究成果总结 (29)6.2 研究不足与局限性 (30)6.3 未来研究方向与应用前景 (31)一、内容描述CRF作为化工领域中的核心设备，其内部过程的动态特性复杂多变，传统的控制方法往往难以应对。
本文引入了Koopman算子，这一强大的数学工具，能够将非线性系统的状态空间表达式转换为线性可测的形式，从而为MPC的实现提供了新的途径。
在详细阐述Koopman算子理论的基础上，文档进一步讨论了如何将该理论应用于CRF的MPC设计中。
通过构建CRF的数学模型，并结合Koopman算子，我们实现了对反应釜温度、压力等关键操作参数的精确线性化表示。
这不仅简化了控制器的设计过程，还提高了控制精度和效率。
文档还重点介绍了所设计的MPC控制算法。
该算法结合了实时数据采集、预测控制、反馈校正等多个环节，能够根据实时工况智能地调整控制策略，以实现CRF的高效、稳定运行。
随着现代科学技术的快速开展，负荷预测技术的研究也在不断深化，各种各样的负荷预测方法不断涌现，从开展的时间来分，可以分为两个大的阶段，第一个就是传统的负荷预测阶段，第二个就是现代的负荷预测阶段。
1. 传统负荷预测传统的负荷预测方法如回归模型法，卡尔曼滤波法，时间序列法，灰色预测法，专家系统法，模糊理论法，神经网络法，小波分析法等。
这些传统的预测方法无论是哪种均具有缺乏和缺陷，随着对负荷预测的深入研究和广泛应用，传统的预测方法的应用越来越难以适应开展，逐渐形成了现代负荷预测方法。
2. 现代负荷预测随着电力系统的开展，负荷预测的精度要求越来越高。
传统的负荷预测方法均有其优缺点，很多研究者考虑把多种智能方法综合在一起，实现其优缺点的互补，提高负荷预测模型的性能，从而提高负荷预测的精度，从而开展成为现代负荷预测的一个分支；另一些研究者引入新的理论来改良负荷预测，比方混沌理论、支持向量机、数据挖掘等，并取得了不错的效果；还有一些研究者从负荷预测的其他方面入手，比方改良相似日的方法、对负荷进展聚类分析、考虑更多的相关因素等。
综合智能负荷预测预测方法的多样性是一个得到普遍认可的原那么。
由于预测是在一定的假设条件下进展的，与测量的开展变化规律存在多样性和复杂性，也包含了许多不确定的因素，采用单一的方法进展预测，很难取得令人满意的效果，因此需要选用多种预测方法进展预测。
文献[1]针对目前中国普遍采用的综合预测模型中权重不等式约束、求解方案适用化方面进展了深入探讨，并提出了“最优拟合模型〞不等于“最优预测模型〞的观点。
在此根底上，提出了“较优预测模型〞的实现策略，并以实例证实该模型提高了符合预测的准确率和误差稳定性。
文献[2]运用计量经济学中的协整理论，研究得出电力系统组合预测方法的应用必要条件是：每种预测方法得到的预测值序列与实际负荷值序列之间应该具有协整关系。
文献[3]把粗糙集和神经网络结合建立短期负荷预测模型，采用粗糙集理论对各种影响负荷预测的因素变量进展识别，以此确定预测模型的输入变量；在此根底上通过属性约简和属性值约简获得推理规那么集，再以这些推理规那么构筑神经网络预测模型，并采用附加动量项的BP学习算法对网络进展优化。
预测控制文献综述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）题目文献综述题目系专业姓名班级学号指导教师多变量解耦预测算法研究预测控制算法的研究自动控制系自动化蔡东东08092811 08928106 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。
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。
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。
此外，鉴于预测控制每一采样时刻只计算实施一个现时控制量，没有充分利用全部预测控制信号的作用，致使现时控制信号发生错误时系统性能将变差。
为此，文献[5]采用加权控制律计算现时控制量，对因错误测量信号、暂时未建模动态、系统结构突变、参数估计失误及噪声影响等原因造成的错误控制信号进行有效抑制。
非线性系统的控制一直是控制理论界的难点. 对慢时变、弱非线性系统而言，基于线性动态模型的预测控制算法可取得较好的控制效果。
然而，当其应用于强非线性系统时，为确保系统的鲁棒性，往往需要建立高阶线性近似模型或分段线性模型，这无疑会增加算法的复杂性。
一个可行的方法是引入简单的、可辨识的非线性数学模型。
例如采用Hammerstein 模型作为预测模型，可实现对具有幂函数、死区、开关等非线性特性的工业过程的预测控制和采用广义卷积模型描述齐次非线性系统的输入输出关系，由此替代模型算法控制中的脉冲响应模型可获得齐次非线性系统的模型算法控制，进而可推广到更为一般的Vottera 非线性系统的控制。
基于非线性定量数学模型解决非线性系统控制的另一有效方法是采用人工神经元网络模型。
神经网络是一种本质非线性数学模型，在解决具有高度非线性和严重不确定性的复杂系统的控制方面，具有巨大的吸引力和潜力。
具体到预测控制的应用上，主要有两种形式：一是利用神经网络高精度的非线性映射能力和固有的学习能力，为非线性系统提供统一的定量数学模型，进而可作为映射复杂非线性控制律的控制器；二是利用神经网络的分布式存储、处理结构和并行计算实时性好的优点，实现容错能力强、鲁棒性强的预测控制器。
文献[6]中，直接利用对象的输入输出数据训练多层前馈神经网络，以此作为非线性系统的预测模型，获得了不依赖于系统运行条件和先验信息的动态矩阵控制算法。
文献[7]在采用神经网络辨识模型实现非线性系统预测控制的基础上，进一步利用预测输出误差及其相应的控制量数据训练另一作为控制器的神经网络，直接用神经网络实现被控对象的控制。
值得一提的是，用神经网络实现控制器对改善算法的实时性有突出的作用。
然而，这一领域的应用还有赖于神经网络研究的进一步完善。
此外，基于模糊模型的预测控制也是实现非线性系统控制的有效途径。
与神经网络模型相比，模糊模型更宜于表达关于系统的先验信息。
通常，这种不精确的先验信息首先以模糊规则的形式出现在系统的初始模型中，并可在控制过程中得到进一步的完善。
目前，预测控制中有两种模糊模型一是基于模糊关系方程的模糊模型，它是一种输入模糊子集到输出模糊子集的非线性映射；另一种是Takagi-Sugeno 模型，其实质是一组按输入空间模糊划分的线性模型集合，更宜于实现复杂非线性系统的综合模糊控制。
近来，将神经网络与模糊模型相结合，构成所谓的模糊神经元网络模型，在广义预测控制算法中已有所应用。
2 预测控制算法的特点2.1预测模型预测控制是基于一种模型的控制算法，这一模型被称为预测模型。
预测模型的功能是根据对象的历史信息和未来输入的预测其未来输出。
这里只强调模型的功能而不强调其结构形式。
2.2滚动优化预测控制是一种优化控制算法，它是通过某一性能指标的最优来确定未来的控制作用的。
这一性能指标涉及到系统未来的行为。
预测控制中的优化是一种有限时段的滚动优化。
在每一采样时刻，优化性能指标只涉及到从该时刻起未来的有限时间，而到下一采样时刻，这一优化时段同时向前推进。
因此，预测控制不是用一个对全局相同的优化性能指标，而是在每一时刻有一个相对该时刻的优化性能指标。
不同时刻优化性能指标的相对形式是相同的，但其绝对形式，即所包含的时间区域，则是不同的。
因此，在预测控制中，优化不是一次离线进行，而是反复在线进行的，这就是滚动优化的含义，也是预测控制区别于传统最优控制的根本点。
2.3反馈校正反馈校正的形式是多样的，可以在保持预测模型不变的基础上，对未来的误差作出预测并加以补偿，也可以根据在线辨识的原理直接修改预测模型。
不论采取何种校正形式，预测控制都把优化建立在系统实际的基础上，并力图在优化时对系统未来的动态行为作出教准确的预测。
因此，预测控制中的优化不仅基于模型，而却利用了反馈信息，因而构成了闭环优化。
综上所述可以看到，预测控制作为一种新型计算机控制算法，是有其鲜明特征的，它是一种基于模型、滚动实施并结合反馈校正的优化控制算法。
根据以上我们对预测控制原理的了解，我们就不难理解它在复杂的工业环境中深受青睐的原因了。
3 存在的问题和发展方向3.1预测控制研究存在的问题1) 理论研究还不够。
在目前的研究中, 理论分析大多集中于单变量的基础算法。
而成功应用的例子却大多是复杂的多变量系统。
所以，对多变量预测控制算法的稳定性、鲁棒性的研究急待强化。
2) 对于非线性系统的预测控制, 现在还没有很好的解决办法。
主要原因是如何解决滚动优化的问题。
3) 现在的预测控制算法多种多样，需要把他们统一起来, 归结为一种统一的理论, 有利于预测控制算法的分析和深人发展。
虽然IMC 控制结构能够统一一些算法, 但还有许多结果不令人满意。
3.2 预测控制可能的研究发展方向l) 应该在理论上对预测控制进行更进一步的研究。
现在虽然在单变量的理论分析方面取得了一些成果，但还远远不够，而且在多变量算法中还没有稳定性或鲁棒性的研究，只能通过仿真来研究。
2) 随着智能控制的兴起和广泛使用，为了解决复杂工业过程中的不确定性、多目标优化等问题，在算法上应该与工智能、神经网络、模糊控制相结合。
把神经网络、模糊控制应用于预测控制中。
预测控制将向智能化方向发展。
3) 由于现在的复杂工业过程中，动态关系复杂、目标多样、不确定性难以参数化，所以为了解决不同问题，应该分同的层次。
所以在实际应用中，可能的发展方向是多层智能预测控制。
4 参考文献[1] Richalet J,rault A.Model predictive Heuristic Control:Application toIndustrial Process.Automatica,1978,14(5):413-428[2] 古钟壁，王祯学等. 具有误差预测修正的预测控制算法. 控制与决策，1992，7（6）：432-436[3] 古钟壁，王苇等. 大滞后生产过程的智能式补偿预测控制. 自动化学报，1995，21（4）：494-498[4] 谢晓方，谢剑英等. 工业申联系统的多反馈预测控制. 控制理论与应用，1992，9（5）：500-505[5] 周德云，陈新海等. 广义预测鲁棒自适应控制. 控制与决策，1991，6（4）：265-270，[6] Draeger Andreas,et al,Model Predictive Control Using Neural Networks.IEEEControl Syst.Mag.1995,15(5):61-66[7] Hunt K J,D.Sbarbaro,et al. Neural Networks for Control System:A Survey.Automatrica,1992,28(6):1083-1112。
