小波递归神经网络在间歇过程迭代学习优化控制中的应用

"基于小波递归神经网络的间歇过程迭代学习优化控制 (2011年)，由华东理工大学信息科学与工程学院的宋继荣和侍洪波提出，主要探讨了如何通过小波神经网络改进间歇过程的控制策略，以提升产品质量。" 文章深入研究了间歇过程控制中的问题，特别是如何处理模型误差和未知干扰对产品质量的影响。作者们引入了小波递归神经网络（WRRN）作为模型基础，这种网络能够构建出能进行长期预测的间歇过程模型。然而，即使有了这样的模型，由于实际工况的复杂性和不确定性，基于模型预测的控制变量往往无法直接达到预期的终点质量。 为了解决这个问题，他们提出了一种迭代学习优化控制（ILC）算法。利用间歇过程的重复性，即每个批次的过程都类似，他们可以依据前一批次的模型预测误差均值来调整神经网络模型的预测输出。通过对历史数据的学习，不断修正控制输入，使得在后续批次中能更精确地控制过程，从而逐渐减小模型误差并逼近最优控制状态。 在实际操作中，随着批次的增加，模型对过程的预测精度会逐步提高，控制输入也将更加准确。仿真实验的结果证实了这一算法在减少批次间质量差异和提高总体控制性能方面的有效性。关键词涵盖了间歇过程、小波递归神经网络、迭代学习控制以及最小均方误差（LM）算法，表明本文重点在于应用这些技术来解决实际工业控制问题。 该论文属于工程技术领域，特别关注于自动化控制和优化算法在间歇过程中的应用，对于从事化学工程、过程控制或神经网络研究的学者具有较高的参考价值。通过这一方法，工业生产过程中可能出现的质量波动问题可以得到有效的抑制，从而提高生产效率和产品质量。