基于Laguerre与神经网络的非线性系统自适应预测控制算法研究

本篇硕士学位论文深入探讨了人工智能在非线性系统自适应预测控制领域的应用，以"人工智能-基于Laguerre函数与神经网络模型的非线性系统自适应预测控制算法研究"为标题。作者钱俊，专注于控制理论与控制工程专业，由导师李嗣福指导，针对实际工业中普遍存在的非线性系统，提出了创新性的研究成果。 首先，论文回顾了预测控制和非线性预测控制的发展历程和当前状态，重点强调了动态Laguerre函数模型的独特性和非结构化特性，这是构建复杂系统模型的基础。接着，作者将分散优化预测控制算法扩展到多变量Hammertype非线性系统，有效解决了多变量系统中的耦合问题以及高阶矩阵方程求解难题，提升了算法的实用性。 论文进一步探讨了两种神经网络模型在非线性系统预测控制中的应用，即BP（BackPropagation）神经网络和RBF（Radial Basis Function）神经网络。作者对比分析了这两种模型的学习算法，指出RBF神经网络因其分布式学习能力和全局逼近能力，在处理非线性问题时具有显著优势。 作者创新性地提出了将Laguerre函数模型与RBF神经网络模型结合的组合模型，以及基于此的Wiener型非线性系统预测自适应控制算法。通过仿真实验，验证了这种新型方法的有效性和鲁棒性，证明了其在复杂工业过程中的潜在应用价值。 关键词涵盖了非线性系统、预测控制、Laguerre函数、Hammertype模型、多变量系统以及RBF神经网络等核心概念，这些内容对于理解现代工业过程中的智能控制策略具有重要意义。这篇论文为非线性系统预测控制提供了新的理论基础和技术支持，为未来的工业自动化和智能化进程奠定了坚实基础。