《基於微粒群的神經網路預測控制理論及套用》是2013年中國水利水電出版社出版的圖書，作者是韓敏。
基本介紹
- 中文名：基於微粒群的神經網路預測控制理論及套用
- 出版社：中國水利水電出版社
- 頁數：351頁
- 開本：32
- 品牌：中國水利水電出版社
- 作者：韓敏
- 出版日期：2013年12月1日
- 語種：簡體中文
- ISBN：7517016059
內容簡介,圖書目錄,
內容簡介
《基於微粒群的神經網路預測控制理論及套用》針對非線性延遲系統的建模問題，將動態神經網路與微粒群最佳化算法相結合，介紹新型預測控制結構以及動態神經網路非線性延遲系統建模方法，實現對實際工業生產過程中延遲系統的有效的預測與控制，並對控制效果和穩定性進行了詳盡的分析。《基於微粒群的神經網路預測控制理論及套用》是作者長期研究積累的成果，同時也參考引用了其他學者的著作和研究成果，在內容上力求理論完整，在寫作上力求通俗易懂，具有良好的可讀性。
《基於微粒群的神經網路預測控制理論及套用》從預測控制和微粒群最佳化算法的基本概念出發，重點論述了基於微粒群的神經網路預測控制方法和預測模型，並針對多目標微粒群最佳化算法進行了深入探討。在此基礎上，針對具體的實際問題，給出了多個算例，進而說明基於微粒群的神經網路預測控制算法在非線性系統辨識和預測控制研究中的套用。《基於微粒群的神經網路預測控制理論及套用》可供從事神經網路、智慧型最佳化算法和預測控制等方面的高校師生和科研工作者參考，同時也可以為從事石油、冶金、化工、航空、航天以及過程控制等領域的工程技術人員提供幫助。
圖書目錄
前言
第1章緒論
1.1預測控制的特點
1.2預測控制的歷史發展與現狀
1.3神經網路在預測控制中的套用研究現狀
1.4預測控制的基本原理
1.4.1預測模型
1.4.2滾動最佳化
1.4.3反饋校正
1.5預測控制的基本特徵
1.6預測控制的基本模型
1.6.1階躍回響與脈衝回響模型
1.6.2傳遞函式模型
1.6.3狀態空間模型
1.7小結
參考文獻
第2章經典預測控制方法
2.1三種經典預測控制方法發展歷程
2.2基於脈衝回響模型的模型算法控制
2.2.1模型算法控制預測模型
2.2.2模型算法控制反饋校正
2.2.3模型算法控制最佳化控制
2.2.4有約束的模型算法控制
2.3基於階躍回響模型的動態矩陣控制
2.3.1動態矩陣控制預測模型
2.3.2動態矩陣控制滾動線上最佳化
2.3.3動態矩陣控制反饋校正
2.3.4有約束的動態矩陣控制
2.4基於傳遞函式模型的廣義預測控制
2.4.1廣義預測控制預測模型
2.4.2廣義預測控制滾動線上最佳化
2.4.3廣義預測控制反饋校正
2.4.4廣義預測控制的基本性質
2.4.5多變數和有約束的廣義預測控制
2.5小結
參考文獻
第3章預測控制中的建模方法
3.1常用被控對象建模方法
3.1.1傳統的輸入/輸出模型
3.1.2模糊模型
3.1.3神經網路模型
3.1.4其他智慧型模型
3.2基於神經網路的系統辨識
3.2.1系統辨識的定義及特點
3.2.2系統辨識的基本方法
3.2.3神經網路用於系統辨識的一般結構
3.3延遲時間參數的辨識
3.4模型參數最佳化方法
3.5小結
參考文獻
第4章微粒群最佳化算法
4.1基本微粒群最佳化算法
4.1.1算法描述
4.1.2收斂性分析
4.2微粒群最佳化算法的基本改進思想
4.2.1進化公式的改進
4.2.2局部尋優與微粒群最佳化算法結合的混合算法
4.2.3離散變數的微粒群最佳化算法
4.3突變微粒群最佳化算法
4.3.1小波函式基本性質分析
4.3.2小波微粒群最佳化算法描述
4.3.3仿真實例
4.4動態鄰域微粒群最佳化算法
4.4.1鄰域拓撲結構
4.4.2動態鄰域微粒群最佳化算法描述
4.4.3仿真實例
4.5協同大規模微粒群最佳化算法
4.5.1基於信賴域方法自適應搜尋範圍調整
4.5.2基於線性分配的模糊C均值兩階段聚類算法
4.5.3帶有模糊聚類和信賴域的動態鄰域微粒群最佳化算法描述
4.5.4仿真實例
4.6混沌映射微粒群最佳化算法
4.6.1混沌映射最佳化
4.6.2Logistic映射微粒群最佳化算法
4.6.3仿真實例
4.7高斯微粒群最佳化算法
4.7.1高斯微粒群最佳化算法描述
4.7.2仿真實例
4.8小結
參考文獻
第5章基於微粒群最佳化算法的神經網路預測控制方法
5.1高斯微粒群最佳化算法用於動態神經網路設計
5.1.1帶有動態神經元的神經網路結構
5.1.2基於梯度下降的模型參數學習算法
5.1.3基於微粒群最佳化算法的動態神經網路穩定性分析
5.1.4基於高斯微粒群最佳化的動態神經網路系統辨識
5.1.5仿真實例
5.2協同大規模微粒群最佳化算法用於Smith預估雙控制器設計
5.2.1Smith預估雙控制器設計
5.2.2控制結構與性能分析
5.2.3神經網路控制器設計
5.2.4仿真實例
5.3協同大規模微粒群最佳化算法用於神經網路模型預測控制
5.3.1多變數非線性模型預測控制結構
5.3.2未知非線性動態系統的模型預測控制
5.3.3仿真實例
5.4高斯微粒群最佳化算法用於神經網路內模預測控制器設計
5.4.1內模預測控制器結構設計
5.4.2pH中和過程預測控制模型
5.4.3仿真實例
5.5小結
參考文獻
第6章基於微粒群最佳化算法的預測模型及其實際套用
6.1基於微粒群最佳化算法的案例推理方法
6.1.1案例推理的基本原理
6.1.2基於微粒群最佳化算法的自學習距離測度
6.1.3基於微粒群最佳化的案例推理模型
6.1.4仿真實例
6.2基於微粒群最佳化算法的獨立成分分析方法
6.2.1獨立成分分析方法基本原理
6.2.2基於微粒群不動點疊代最佳化的獨立成分分析方法
6.2.3仿真實例
6.3基於微粒群最佳化算法的支持向量機方法
6.3.1支持向量機基本原理
6.3.2基於微粒群最佳化算法的終點預報模型
6.3.3仿真實例
6.4基於微粒群的魯棒相關向量機方法
6.4.1相關向量機基本原理
6.4.2魯棒相關向量機基本原理
6.4.3基於微粒群最佳化算法的魯棒相關向量機核參數自適應最佳化
6.4.4仿真實例
6.5小結
參考文獻
第7章多目標微粒群最佳化算法及其套用
7.1多目標最佳化基本原理
7.1.1多目標最佳化基本概念
7.1.2多目標最佳化算法的分類
7.1.3多目標最佳化算法的收斂性分析
7.1.4多目標最佳化解集的評價指標
7.2多目標微粒群最佳化算法及其改進
7.2.1多目標微粒群最佳化算法
7.2.2動態鄰域多目標微粒群最佳化算法及其改進
7.2.3基於自適應格線的最佳化解集維護方法
7.2.4仿真實例
7.3改進多目標微粒群最佳化算法在轉爐煉鋼合金加入量最佳化中的套用
7.3.1轉爐合金加入量最佳化模型的建立
7.3.2合金加入量和鋼包各個元素含量預報模型
7.3.3基於微粒群最佳化算法最佳化的多目標合金加入量模型
7.3.4仿真實例
7.4小結
參考文獻
附錄重要公式符號對照表
第1章緒論
1.1預測控制的特點
1.2預測控制的歷史發展與現狀
1.3神經網路在預測控制中的套用研究現狀
1.4預測控制的基本原理
1.4.1預測模型
1.4.2滾動最佳化
1.4.3反饋校正
1.5預測控制的基本特徵
1.6預測控制的基本模型
1.6.1階躍回響與脈衝回響模型
1.6.2傳遞函式模型
1.6.3狀態空間模型
1.7小結
參考文獻
第2章經典預測控制方法
2.1三種經典預測控制方法發展歷程
2.2基於脈衝回響模型的模型算法控制
2.2.1模型算法控制預測模型
2.2.2模型算法控制反饋校正
2.2.3模型算法控制最佳化控制
2.2.4有約束的模型算法控制
2.3基於階躍回響模型的動態矩陣控制
2.3.1動態矩陣控制預測模型
2.3.2動態矩陣控制滾動線上最佳化
2.3.3動態矩陣控制反饋校正
2.3.4有約束的動態矩陣控制
2.4基於傳遞函式模型的廣義預測控制
2.4.1廣義預測控制預測模型
2.4.2廣義預測控制滾動線上最佳化
2.4.3廣義預測控制反饋校正
2.4.4廣義預測控制的基本性質
2.4.5多變數和有約束的廣義預測控制
2.5小結
參考文獻
第3章預測控制中的建模方法
3.1常用被控對象建模方法
3.1.1傳統的輸入/輸出模型
3.1.2模糊模型
3.1.3神經網路模型
3.1.4其他智慧型模型
3.2基於神經網路的系統辨識
3.2.1系統辨識的定義及特點
3.2.2系統辨識的基本方法
3.2.3神經網路用於系統辨識的一般結構
3.3延遲時間參數的辨識
3.4模型參數最佳化方法
3.5小結
參考文獻
第4章微粒群最佳化算法
4.1基本微粒群最佳化算法
4.1.1算法描述
4.1.2收斂性分析
4.2微粒群最佳化算法的基本改進思想
4.2.1進化公式的改進
4.2.2局部尋優與微粒群最佳化算法結合的混合算法
4.2.3離散變數的微粒群最佳化算法
4.3突變微粒群最佳化算法
4.3.1小波函式基本性質分析
4.3.2小波微粒群最佳化算法描述
4.3.3仿真實例
4.4動態鄰域微粒群最佳化算法
4.4.1鄰域拓撲結構
4.4.2動態鄰域微粒群最佳化算法描述
4.4.3仿真實例
4.5協同大規模微粒群最佳化算法
4.5.1基於信賴域方法自適應搜尋範圍調整
4.5.2基於線性分配的模糊C均值兩階段聚類算法
4.5.3帶有模糊聚類和信賴域的動態鄰域微粒群最佳化算法描述
4.5.4仿真實例
4.6混沌映射微粒群最佳化算法
4.6.1混沌映射最佳化
4.6.2Logistic映射微粒群最佳化算法
4.6.3仿真實例
4.7高斯微粒群最佳化算法
4.7.1高斯微粒群最佳化算法描述
4.7.2仿真實例
4.8小結
參考文獻
第5章基於微粒群最佳化算法的神經網路預測控制方法
5.1高斯微粒群最佳化算法用於動態神經網路設計
5.1.1帶有動態神經元的神經網路結構
5.1.2基於梯度下降的模型參數學習算法
5.1.3基於微粒群最佳化算法的動態神經網路穩定性分析
5.1.4基於高斯微粒群最佳化的動態神經網路系統辨識
5.1.5仿真實例
5.2協同大規模微粒群最佳化算法用於Smith預估雙控制器設計
5.2.1Smith預估雙控制器設計
5.2.2控制結構與性能分析
5.2.3神經網路控制器設計
5.2.4仿真實例
5.3協同大規模微粒群最佳化算法用於神經網路模型預測控制
5.3.1多變數非線性模型預測控制結構
5.3.2未知非線性動態系統的模型預測控制
5.3.3仿真實例
5.4高斯微粒群最佳化算法用於神經網路內模預測控制器設計
5.4.1內模預測控制器結構設計
5.4.2pH中和過程預測控制模型
5.4.3仿真實例
5.5小結
參考文獻
第6章基於微粒群最佳化算法的預測模型及其實際套用
6.1基於微粒群最佳化算法的案例推理方法
6.1.1案例推理的基本原理
6.1.2基於微粒群最佳化算法的自學習距離測度
6.1.3基於微粒群最佳化的案例推理模型
6.1.4仿真實例
6.2基於微粒群最佳化算法的獨立成分分析方法
6.2.1獨立成分分析方法基本原理
6.2.2基於微粒群不動點疊代最佳化的獨立成分分析方法
6.2.3仿真實例
6.3基於微粒群最佳化算法的支持向量機方法
6.3.1支持向量機基本原理
6.3.2基於微粒群最佳化算法的終點預報模型
6.3.3仿真實例
6.4基於微粒群的魯棒相關向量機方法
6.4.1相關向量機基本原理
6.4.2魯棒相關向量機基本原理
6.4.3基於微粒群最佳化算法的魯棒相關向量機核參數自適應最佳化
6.4.4仿真實例
6.5小結
參考文獻
第7章多目標微粒群最佳化算法及其套用
7.1多目標最佳化基本原理
7.1.1多目標最佳化基本概念
7.1.2多目標最佳化算法的分類
7.1.3多目標最佳化算法的收斂性分析
7.1.4多目標最佳化解集的評價指標
7.2多目標微粒群最佳化算法及其改進
7.2.1多目標微粒群最佳化算法
7.2.2動態鄰域多目標微粒群最佳化算法及其改進
7.2.3基於自適應格線的最佳化解集維護方法
7.2.4仿真實例
7.3改進多目標微粒群最佳化算法在轉爐煉鋼合金加入量最佳化中的套用
7.3.1轉爐合金加入量最佳化模型的建立
7.3.2合金加入量和鋼包各個元素含量預報模型
7.3.3基於微粒群最佳化算法最佳化的多目標合金加入量模型
7.3.4仿真實例
7.4小結
參考文獻
附錄重要公式符號對照表
