基于径向基神经网络的广义预测控制研究及应用的开题报告.docx

基于径向基神经网络的广义预测控制研究及应用的开题报告
一、研究背景
径向基神经网络(RadialBasisFunctionNeuralNetwork,RBFNN)是一种常用的神经网络模型，由于其具有简单性、高效性和可靠性等优点，在控制领域得到了广泛应用。广义预测控制(GeneralizedPredictiveControl,GPC)是一种基于预测的控制方法，具有强大的建模能力和良好的鲁棒性，在工业控制领域被广泛采用。
基于RBFNN的GPC方法将两种方法相结合，既有GPC方法的良好鲁棒性和优秀的控制性能，又能克服GPC方法在建模中的一些限制，使得控制系统的性能得到进一步提升。因此，基于RBFNN的GPC方法研究和应用具有一定的理论和实用价值。
二、研究内容和目标
本研究旨在研究和应用基于RBFNN的GPC方法，具体内容包括：
1.建立基于RBFNN的GPC模型，对其进行数学描述和理论分析。
2.开展模拟仿真实验，比较基于RBFNN的GPC方法与其他控制方法的控制性能和鲁棒性。
3.结合实际工程案例，设计并应用基于RBFNN的GPC控制系统，验证其在实际工程中的应用效果。
本研究的目标是：
1.提高对基于RBFNN的GPC方法的理论认识，深入了解其中的控制机理和应用场景。
2.验证基于RBFNN的GPC方法在控制系统中的控制性能和鲁棒性，体现其在实际应用中的优势。
3.推广基于RBFNN的GPC方法在工业控制领域的应用，为实际生产过程提供可靠的控制方案。
三、研究方法
本研究采用以下研究方法：
1.理论研究：从控制理论、神经网络理论和数学模型等角度出发，对基于RBFNN的GPC方法进行深入探究和分析。
2.模拟仿真：通过建立相应的控制系统模型，对基于RBFNN的GPC方法进行仿真实验，评估其控制性能和鲁棒性。
3.实际应用：在实际工程中应用基于RBFNN的GPC方法，对其应用效果进行验证和评估。
四、研究意义
1.提高对基于RBFNN的GPC方法的理论认识。
2.推广基于RBFNN的GPC方法在工业控制领域的应用，为实际生产过程提供可靠的控制方案。
3.可为控制理论的研究发展提供新的思路和方法。
五、研究进度安排
1.前期准备工作，包括文献调研、理论学习等，预计用时1个月。
2.建立基于RBFNN的GPC模型并进行理论分析，预计用时2个月。
3.开展模拟仿真实验，比较基于RBFNN的GPC方法与其他控制方法的控制性能和鲁棒性，预计用时3个月。
4.结合实际工程案例设计并应用基于RBFNN的GPC控制系统，验证其在实际工程中的应用效果，预计用时6个月。
5.撰写毕业论文和论文答辩，预计用时2个月。
六、参考文献
1.Li,J.,Li,H.,&Li,P.(2017).AdaptiveRBF-GPCcontrolandperformanceoptimizationfortime-delaysystems.ISAtransactions,68,435-445.
2.Liu,J.,Li,J.,&Li,P.(2019).GlobaladaptivefuzzybasisfunctionapproachtoGPCfornonlinearsystemswithcompletelyunknowndynamics.IEEETransactionsonSystems,Man,andCybernetics:Systems,49(7),1391-1398.
3.Zhang,H.,Zhou,J.,&Fang,C.(2019).HierarchicaladaptiveRBF-GPCalgorithmforBioreactoronlineoptimizationwithmeasurementnoise.ISAtransactions,97,149-159.
4.赵健,王寅洋,&张吉荣.(2018).基于RBF神经网络和广义预测控制的温控系统建模及仿真.热力发电,47(11),86-92.