多容水箱小波神经网络预测控制查1

《多容水箱小波神经网络预测控制查1》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、工学硕士学位论文多容水箱小波神经网络广义预测控制余杉钰哈尔滨理工大学2014年3月国内图书分类号：TP183工学硕士学位论文多容水箱小波神经网络广义预测控制硕士研究生：余杉钰导师：宋清昆申请学位级别：工学硕士学科、专业：检测技术与自动化装置所在单位：自动化学院答辩日期：2014年3月授予学位单位：哈尔滨理工大学ClassifiedIndex：TP183DissertationfortheMasterDegreeinEngineeringWaveletNeuralNetworkGeneralizedPredictiveControlinMo

2、retankssystemCandidate：YuShanyuSupervisor：SongQingkunAcademicDegreeAppliedfor：MasterofEngineeringSpecialty：DetectionTechnology&AutomaticEquipmentDateofOralExamination：March，2014University：HarbinUniversityofScienceandTechnology哈尔滨理工大学硕士学位论文原创性声明本人郑重声明：此处所提交的硕士学位论文《基于QPSO小波

3、神经网络控制器设计与研究》，是本人在导师指导下，在哈尔滨理工大学攻读硕士学位期间独立进行研究工作所取得的成果。据本人所知，论文中除已注明部分外不包含他人已发表或撰写过的研究成果。对本文研究工作做出贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签名：日期：年月日哈尔滨理工大学硕士学位论文使用授权书《基于QPSO小波神经网络控制器设计与研究》系本人在哈尔滨理工大学攻读硕士学位期间在导师指导完下成的硕士学位论文。本论文的研究成果归哈尔滨理工大学所有，本论文的研究内容不得以其它单位的名义发表。本人完全了解哈尔滨

4、理工大学关于保存、使用学位论文的规定，同意学校保留并向有关部门提交论文和电子版本，允许论文被查阅和借阅。本人授权哈尔滨理工大学可以采用影印、缩印或其他复制手段保存论文，可以公布论文的全部或部分内容。本学位论文属于保密，在年解密后适用授权书。√不保密。（请在以上相应方框内打√）作者签名：日期：年月日导师签名：日期：年月日哈尔滨理工大学工学硕士学位论文多容水箱小波神经网络广义预测控制摘要在现代工业生产控制中，实际生产中的控制量不断增加和复杂化，就会相继的出现许多控制问题。如控制对象的模型未知，复杂控制系统的多变量、非线性、时滞和耦合等问题。四

5、容水箱系统就是一类典型的复杂控制系统，它具有多变量、大时滞、非线性及耦合等特点，很好的模拟了实际工业生产的控制对象。对于四容水箱的这些特点，本文对四容水箱的液位控制进行了相关研究。在研究过程中，本文采用小波神经网络和广义预测控制相结合的控制策略。由于四容水箱系统的多变量、非线性等特点，和小波神经网络良好的函数逼近能力，所以采用小波神经网络辨识被控对象模型，并且建立出基于小波神经网络的预测模型。在辨识的过程中，网络的训练算法采用的是改进的BP学习算法。在解决系统的耦合问题上，采用了基于前馈补偿解耦理论的模糊前馈解耦法，很好的利用了模糊控制的

6、通用逼近性，对模糊控制的规则、论域作了相关设计，给出了具体的模糊前馈解耦策略。运用基于模糊前馈解耦的小波神经网络广义预测控制，对四容水箱液位控制系统进行控制实验，对控制实验的结果进行相应分析。从结果分析可以得出，其调节时间短、终值稳定和控制过程中没有出现震荡，说明本文设计的这一控制策略在四容水箱液位控制系统的控制上，取得了比较好的控制效果，而且系统控制的稳定性也比较好，为解决类似四容水箱系统的复杂控制提供了一类解决方法。关键词　四容水箱；小波神经网络；广义预测控制；模糊前馈解耦-IV-哈尔滨理工大学工学硕士学位论文WaveletNeura

7、lNetworkGeneralizedPredictiveControlinMoretankssystemAbstractTheparametersincludinglearningfactors,speedofevolutionandparticleaggregationdegreeareaddedtotheQPSOalgorithmandtheparameteriterationupdateoftheQPSOalgorithmisimprovedsoastothetrainingresultsoftheneuralsub-networ

8、kisalsoimproved.Thewaveletneuralnetworkcontrollerisoptimizedbyapplyingquantumbehavedparticleswar