预测控制 开题报告
基于子系统协调策略的分布式预测控制算法研究的开题报告
基于子系统协调策略的分布式预测控制算法研究的开题报告一、研究背景和意义随着科学技术的发展和控制领域的不断发展，预测控制算法的研究变得越来越重要。
预测控制算法是指通过对系统未来状态的预测来实现对系统状态进行调节的控制算法。
与传统控制算法相比，预测控制算法能够更准确地预测系统的未来状态，从而更加精准地进行控制。
同时，预测控制算法还能够应对系统存在不确定性的情况，具有更强的鲁棒性。
分布式控制系统广泛应用于现代控制领域中，可以有效地解决大型复杂系统控制问题。
但是，由于分布式控制系统中各个子系统之间存在相互影响的关系，因此需要通过协调策略来保证各子系统之间的协调性和一致性。
本研究旨在研究基于子系统协调策略的分布式预测控制算法，以提高分布式控制系统中的控制精度和鲁棒性。
二、研究目标和内容本研究的目标是设计和实现一种基于子系统协调策略的分布式预测控制算法，以实现对分布式控制系统的精准控制。
具体内容包括以下几个方面：1. 分析分布式控制系统中各个子系统之间的影响关系，并确定合适的协调策略。
2. 设计预测模型，通过对系统未来状态的预测来实现对系统状态的调节。
3. 提出分布式预测控制算法，将预测模型与协调策略相结合，实现对分布式控制系统的控制。
4. 在Simulink仿真环境中对算法进行测试，并与传统控制算法进行对比分析。
三、研究方法和步骤本研究主要采用以下方法：1. 理论分析法：对分布式控制系统的协调性和一致性进行分析和研究，提出合适的协调策略。
2. 建模法：通过对控制系统进行建模，建立预测模型。
3. 算法设计法：基于预测模型和协调策略，设计分布式预测控制算法。
4. 仿真验证法：在Simulink仿真环境中对算法进行测试，并与传统控制算法进行对比分析。
具体步骤如下：1. 阅读相关文献，对分布式控制系统、预测控制算法等相关知识进行综述。
2. 对分布式控制系统的协调性和一致性进行分析，确定合适的协调策略。
3. 建立预测模型，实现对系统未来状态的预测。
预测控制在水厂加药系统中的应用的开题报告
预测控制在水厂加药系统中的应用的开题报告一、选题背景随着社会的不断发展，对水质的要求也越来越高，尤其是生活用水方面，水的质量直接关系到人民生活的健康和安全，因此水厂加药系统的运行是非常重要的，需要保证其稳定性和准确性。
然而，由于水处理加药涉及到多个因素，例如药剂的种类、水源的水质、用水量等等，这些因素的变化都将对加药系统的运行产生一定的影响，从而导致加药效果的不稳定甚至失控。
为了保证加药系统的稳定和准确度，提高水质检测的准确性，预测控制技术被引入了加药系统中，以提高水处理的效率和水质的稳定性。
二、选题意义预测控制技术是一种基于当前状态和趋势预测未来状态的控制方法，能够通过对系统的模型进行建模和预测来实现对系统的控制。
在水厂加药系统中应用预测控制技术，可以实现加药量的预测和调整，减少加药量的波动性，保证水的质量稳定性，从而大大提高水质的安全性和准确性。
预测控制技术还可以提高工作效率，减少人工干预，降低人力成本，提高加药系统的自动化程度，从而实现工业水处理过程的信息化、智能化和自动化。
三、研究内容与方法1. 研究预测控制技术的基本原理、方法和应用特点；2. 分析水质检测过程中的关键因素，建立加药量预测模型；3. 设计加药系统的控制策略，实现加药量的预测和控制；4. 利用MATLAB等工具进行模拟实验，并进行实验验证；5. 对实验结果进行分析和总结，提出进一步优化改进的措施。
四、预期结果1. 建立水厂加药系统的预测模型；2. 实现水厂加药系统的预测控制算法；3. 验证预测控制策略的可行性和有效性；4. 在实际生产中应用并取得优异的效果；5. 提高水质检测的准确性和水质稳定性，保障人民生活安全的同时实现信息化、智能化和自动化。
预测控制算法及其在混沌同步控制中的应用研究的开题报告
预测控制算法及其在混沌同步控制中的应用研究的开题报告一、研究背景随着信息技术的发展和应用的广泛，控制系统的需求越来越高，其中混沌同步控制是一个重要的研究方向。
混沌同步控制是指通过设计控制算法，调节系统参数以控制混沌系统的输出，实现两个或多个混沌系统之间的同步。
混沌同步控制在现代通信、网络通信、生物医学等领域有着广泛的应用。
近年来，随着控制理论和计算机技术不断发展，预测控制算法逐渐成为混沌同步控制的重要手段，具有可靠性高、鲁棒性好、控制效果稳定等优点，广受工程师和学者们的推崇。
预测控制利用模型预测信息来调整控制参数，可用于设计强壮的、自适应的同步控制器和追踪控制器。
预测控制不仅适用于线性系统，而且适用于非线性和混沌系统。
因此，预测控制算法在混沌同步控制中的应用研究是有着重要意义的。
二、研究目的和意义本文旨在研究预测控制算法及其在混沌同步控制中的应用，通过对混沌同步控制的理论基础和实际应用进行深入探讨，找出现有算法在应用中存在的问题并提出改进措施，从而实现混沌系统的同步控制。
由于混沌系统具有非线性、不确定性和复杂性等特点，传统的控制方法往往不能很好地解决同步问题。
而预测控制算法可以有效地解决这些问题，在同步控制中起着重要的作用。
因此，研究预测控制算法及其在混沌同步控制中的应用，对于深入理解混沌系统的特性和获得更好的同步效果具有重要意义。
三、研究内容和方法本文主要研究预测控制算法及其在混沌同步控制中的应用，主要包括以下内容：1. 混沌同步控制的基本概念和理论原理。
2. 针对混沌同步控制中存在的问题，分析传统控制算法的不足，并提出改进预测控制算法。
3. 设计混沌同步控制的仿真实验，分析预测控制算法在同步控制中的应用效果。
4. 探究基于预测控制算法的混沌同步控制在工业控制、通信、生物医学等领域的应用前景。
本文采取文献调研，数学建模和仿真实验相结合的方法，深入研究预测控制算法及其在混沌同步控制中的应用。
通过对混沌系统、预测控制算法等相关领域的文献资料进行搜集和总结，建立混沌同步控制的数学模型，设计仿真实验验证预测控制算法在同步控制中的效果。
预测控制在单元机组协调控制系统中的应用研究的开题报告
预测控制在单元机组协调控制系统中的应用研究的开题报告一、选题的背景和意义目前，电力系统中越来越多的采用了爬山算法、遗传算法、模拟退火算法等优化算法，在解决单机组运行控制问题时取得了很好的效果，但是在面对多机组协调控制时，由于多机组间相互影响，单机组控制器不能对整个系统进行优化调度。
在运行通信方面，单机组控制器无法实时获取其他机组运行参数，不易实现整个系统的协调控制。
针对以上问题，预测控制技术能够预测下一时刻的输出值，进而指导系统当前的调节，同时在控制系统的每个数据点上，也能够矫正误差，进而使整个系统的控制误差被最小化，提高了系统的响应速度和控制精度。
预测控制技术在多机组协调控制系统中的应用研究，对于提高电力系统的控制效率、降低能耗和保障供电的质量具有重要意义。
二、研究对象和内容1.研究对象研究对象为电力系统中的多机组协调控制系统，将单机组预测控制技术应用于多机组协调控制系统中，开发出适合于多机组协调控制的控制策略。
2.研究内容（1）理解预测控制的基本原理预测控制技术要求控制系统预测出下一时刻的输出值，同时矫正误差，提高整个系统的响应速度和控制精度。
因此，研究者需要对预测控制技术的基本原理进行深入的理解，包括预测算法、控制策略等。
（2）建立多机组协调控制系统模型在研究多机组协调控制系统中，需要建立系统的数学模型，在建模过程中需要考虑到系统的复杂性和特殊性，以便对系统进行分析和优化。
（3）开发适合多机组协调控制的预测控制策略根据多机组协调控制系统的实际情况，研究者需要开发适合多机组协调控制的预测控制策略，包括控制参数的选择和目标函数的设计等。
（4）仿真验证和实验研究在算法设计和开发完成后，需要进行仿真验证和实验研究，以便评估算法的性能和实际应用效果。
三、研究方法和技术路线（1）理论研究和算法选择对预测控制的基本原理进行深入研究，选择适合的预测算法，并结合多机组协调控制系统的特点设计控制策略。
（2）建模和仿真根据多机组协调控制系统的不同组成部分建立不同级别的数学模型，并进行仿真验证，以便评估算法的性能和实际应用效果。
化工过程中的若干预测控制算法与应用研究的开题报告
化工过程中的若干预测控制算法与应用研究的开题报告一、选题背景与意义化工过程是制造行业中重要的组成部分，对于生产工艺的优化和产品质量的提高起着至关重要的作用。
在化工过程中，若能准确预测过程中的变化趋势，并实时调节相关参数，将能明显提高产品质量、生产效率和安全性。
因此，研究化工过程中的若干预测控制算法及其应用，对于优化化工生产流程，提高产品品质和减少生产成本具有重要的现实意义。
二、研究内容和方法本研究拟采用体系结构方法对化工生产过程进行建模，分析化工生产过程所涉及的物质和能量的相互转化关系，建立化工生产过程的动态模型。
同时，基于已有的若干预测控制算法，比如神经网络、支持向量机、模糊神经网络等，对建立的动态模型进行训练和参数调节，使之能够准确预测化工生产过程中的变化趋势，并实时调节相关参数，以实现化工过程的优化。
三、预期目标和创新点本研究的主要目的是研究化工过程中的若干预测控制算法及其应用，多角度分析化工生产过程，提高化工产品的质量和效率，同时降低生产成本和减少生产过程中的风险和安全隐患。
本研究的创新点在于将体系结构方法和若干预测控制算法进行有机结合，从多角度分析化工过程，实现对化工过程的准确预测，以实现化工生产的优化。
同时，在实现化工过程的优化过程中，还能有效地减少化工过程中出现的危险情况，提高生产过程的安全性。
四、研究进度安排1. 研究文献并进行综述：2021年4月-2021年6月2. 建立化工生产过程的动态模型：2021年6月-2021年8月3. 进行若干预测控制算法训练和参数调节：2021年8月-2022年2月4. 分析结果，修正算法及提高算法准确性：2022年2月-2022年6月5. 实验结果分析和论文写作：2022年6月-2023年3月五、论文结构与参考文献本文主要包括绪论、化工生产过程建模方法与分析、若干预测控制算法及其应用、实验分析、结论与展望等几个部分。
参考文献主要包括化工控制、模式识别、人工神经网络以及神经网络的应用等相关领域的论文与书籍。
球磨机的预测控制策略及应用研究的开题报告
球磨机的预测控制策略及应用研究的开题报告一、选题背景和意义：球磨机是一种常用的机械设备，广泛应用于矿山、建材、冶金等行业。
球磨机重要的控制参数为转速、进料量、排料量等。
传统的球磨机控制策略主要基于经验和试错，在实际应用中存在控制精度低、能耗高、生产效率低等问题。
随着科学技术的不断进步，预测控制技术在控制系统中得到了广泛的应用，该技术运用先进的数学模型和算法对生产系统进行分析和预测，通过精准的控制方法，实现对生产过程的优化与提高。
本课题旨在研究和应用预测控制技术对球磨机的控制和优化，提高球磨机的控制精度和生产效率，从而为相关行业的生产提供技术支持和指导。
二、研究内容和方法：1.球磨机生产过程中的控制系统分析和建模。
2.基于预测控制技术，建立球磨机生产系统的数学模型。
3.构建球磨机的预测控制系统，设计控制策略和算法。
4.开发预测控制系统软件，实现对球磨机的控制和优化。
5.对预测控制系统进行仿真和实验验证，分析控制效果和优化效果。
三、研究进度和计划：1.完成球磨机控制系统的分析和建模，确定数学模型和控制参数。
(2周)2.学习和掌握预测控制技术，研究和设计球磨机的预测控制策略和算法。
(4周)3.开发预测控制系统软件，进行系统设计和编码。
(3周)4.进行系统仿真和实验验证，分析控制效果和优化效果。
(4周)5.撰写毕业论文并进行答辩。
(3周)四、预期结果和成果：1.建立球磨机的数学模型，设计预测控制策略和算法。
2.开发预测控制系统软件，实现对球磨机的控制和优化。
3.对预测控制系统进行仿真和实验验证，验证控制效果和优化效果。
4.撰写关于球磨机预测控制策略和应用研究的硕士学位论文。
五、研究预算：预计研究经费为人民币50万左右，主要用于实验装备购置、实验用材料和软件开发费用等。
热工过程多模型预测控制方法研究的开题报告
热工过程多模型预测控制方法研究的开题报告一、研究背景热工过程的控制一般是通过PID控制器实现的，但是由于热工过程的非线性、时变等特点，PID控制器的效果并不理想，难以满足实际生产需要。
因此，研究一种适用于热工过程的多模型预测控制方法具有重要意义。
二、研究目的通过研究热工过程的多模型预测控制方法，提高热工过程的控制精度和稳定性，减小生产过程中的能耗和物料损失，同时提高生产效率。
三、研究内容1. 热工过程的多模型建模针对热工过程的非线性、时变等特点，建立多种模型，包括线性模型、非线性模型、时变模型等，以应对不同情况下的控制要求。
2. 预测控制器设计针对不同模型设计对应的预测控制器，将其应用于实际控制中，实现对热工过程的精准控制。
3. 实验验证在热工过程中进行实验验证，比较多模型预测控制方法与传统PID 控制方法的控制效果差异和控制指标，证明多模型预测控制方法的优越性。
四、研究意义1.提高热工过程的控制精度和稳定性，减小生产过程中的能耗和物料损失。
2.增加生产效率，降低生产成本。
3.促进热工过程自动化水平的提高。
五、研究难点1.如何准确地建立多种模型，以应对不同情况下的控制要求。
2.如何设计合适的预测控制器，以实现对热工过程的精准控制。
3.如何解决热工过程中的实际问题，保证多模型预测控制方法的实际应用效果。
六、研究方法1.文献调研法：收集有关多模型预测控制方法的文献和资料，系统总结热工过程的特点和控制方法。
2.建模方法：通过实验数据和理论计算，建立热工过程的多种模型。
3.预测控制器设计：根据不同模型设计相应的预测控制器，分析控制参数的选择方法和调节准则。
4.实验验证：在实际热工过程中进行实验验证，比较多模型预测控制方法与传统PID控制方法的控制效果差异和控制指标，证明多模型预测控制方法的优越性。
七、研究进度安排1.前期准备工作（1个月）：收集相关文献和资料，系统总结热工过程的特点和控制方法。
2.模型建立和预测控制器设计（4个月）：根据不同模型设计相应的预测控制器，分析控制参数的选择方法和调节准则。
网络化预测控制系统的设计与实现的开题报告
网络化预测控制系统的设计与实现的开题报告一、选题背景和意义随着科技的不断发展，许多行业都实现了自动化和智能化，但是仍有很多行业尚未实现。
其中，控制系统是实现自动化和智能化的重要组成部分，网络化预测控制系统是其中一种类型。
网络化预测控制系统是指在计算机网络的帮助下，使用预测算法进行控制的一种控制系统，可以应用于各种行业，如化工、机械、交通、水利等。
该系统具有快速响应、高精度、可靠性高等特点，因此在工业控制领域有着广泛的应用前景。
二、选题研究内容本次研究的主要内容是网络化预测控制系统的设计与实现。
其具体包括以下几方面：1.系统需求分析：根据控制对象的特点，确定系统的输入和输出，以及需求的满足程度等。
2.预测算法的研究与实现：根据控制对象的特点，选择合适的预测算法，并进行编程实现和测试。
3.网络通讯的设计与实现：网络通讯是网络化预测控制系统中至关重要的一环，需要设计协议和通讯接口，并实现网络连接。
4.控制系统的集成与测试：将预测算法和网络通讯系统进行集成，并进行系统的测试和优化。
三、选题研究方法本研究的方法主要包括以下几个方面：1.文献调研：通过查阅相关文献，了解网络化预测控制系统及其应用现状和发展趋势。
2.算法选择与编程实现：根据文献调研，选择合适的预测算法，并进行算法编程实现和测试。
3.网络设计与实现：根据网络通讯的需求和系统特点，设计协议和通讯接口，并实现网络连接。
4.集成与测试：将预测算法和网络通讯系统进行集成，并进行系统的测试和优化。
四、可行性分析本研究在技术上具备可行性。
预测算法和网络通讯技术是目前已有的成熟技术，具备一定的工程实践基础。
同时，本研究还将进行算法测试和系统集成测试等工作，从而确保系统的可行性和实用性。
五、预期成果本研究的预期成果包括以下几个方面：1.设计实现一套完整的网络化预测控制系统，包括预测算法和网络通讯系统。
2.对预测算法和网络通讯系统进行测试和优化，提高系统的可靠性和准确性。
基于多尺度理论的预测控制方法研究的开题报告
基于多尺度理论的预测控制方法研究的开题报告标题：基于多尺度理论的预测控制方法研究背景：随着经济全球化和信息化的不断发展，能够快速、准确地预测和控制各种系统的能力变得越来越重要。
因此，预测控制方法成为大量研究的焦点，特别是在工业生产过程中的应用有着广泛的意义。
在现代控制理论中，多尺度理论被认为是一种非常有效的方法，可以应用于许多实际问题中。
研究目的：本文的研究目的是通过多尺度理论来开发高效的预测控制方法，提高系统预测和控制的准确性和效率。
通过研究多尺度理论在控制系统建模和控制参数优化中的应用，构建更加合理的多尺度模型，为系统的控制提供更好的基础。
研究内容：本研究的内容将包含以下三个方面：1. 多尺度理论的基本概念和应用：介绍多尺度理论的基本概念、模型和方法，探讨其在控制系统中的应用。
2. 基于多尺度理论的预测控制模型：基于多尺度理论和现代控制理论，构建能够快速、准确地预测和控制系统的多尺度预测控制模型，实现系统的实时控制。
3. 多尺度预测控制方法的应用：通过在实际系统中应用多尺度预测控制方法，验证其控制效果和准确性。
同时，通过对比常见的预测控制方法，分析多尺度预测控制方法的优劣和适用性。
研究意义：本研究的意义在于提高系统预测和控制的准确性和效率，为工业生产过程中的控制提供更好的基础。
而多尺度预测控制方法的应用将有望改善传统控制方法的局限性，并将优化系统控制效果，提高资源利用率和效率。
此外，本研究的结果还将为多尺度理论和预测控制方法的应用提供理论参考和实践基础。
研究方法：本研究将基于工程应用的实际需求，结合多尺度理论和现代控制理论，构建多尺度预测控制模型，并在实验室和实际系统中进行实际应用和测试。
同时，比较和分析不同的预测控制方法，评估多尺度预测控制方法的优劣和适用性。
预期结果：预期结果是通过研究提出一种高效的基于多尺度理论的预测控制方法，实现系统的实时控制。
在比较和分析不同预测控制方法的同时，证明多尺度预测控制方法的优势和适用性，在实际应用中取得良好的效果和意义。
多智能体系统分布式预测控制方法研究的开题报告
多智能体系统分布式预测控制方法研究的开题报告一、研究背景随着工业自动化和物联网技术的不断发展，多智能体系统正在被广泛应用于各种领域。
在多智能体系统中，各个智能体之间相互协作，能够完成更加复杂的任务，如集群控制、协作制导等。
为了实现多智能体系统的高效协作，需要对其进行预测控制。
预测控制是一种基于模型的控制方法，其基本思想是在系统运行之前通过建立模型对未来的状态进行预测，然后根据预测结果进行控制。
与传统控制方法相比，预测控制方法可以实现更高的精度和控制效果，特别是在多智能体系统中，预测控制可以实现智能体之间的协作和共同决策。
然而，传统的预测控制方法依赖于中央控制器，难以适用于多智能体系统中的分布式控制。
因此，需要研究多智能体系统的分布式预测控制方法，以实现系统的高效协作和控制。
二、研究内容本研究将重点研究多智能体系统的分布式预测控制方法，包括以下内容：1. 多智能体系统的协作控制模型建立。
针对多智能体系统的特点，建立系统的控制模型，包括智能体之间的信息交互和协作。
2. 多智能体系统的分布式预测控制方法设计。
基于系统的控制模型，设计适用于多智能体系统的分布式预测控制方法。
3. 多智能体系统的仿真实验。
应用所设计的分布式预测控制方法进行仿真实验，验证其有效性和可行性。
4. 分布式预测控制算法优化。
通过实验数据分析，对分布式预测控制算法进行优化，提高系统的控制效果。
三、研究意义本研究的主要意义包括：1. 提高多智能体系统的协作和控制效率。
通过分布式预测控制方法，实现智能体之间的协作和共同决策。
2. 推动工业自动化和物联网技术的发展。
多智能体系统在工业自动化和物联网领域具有广泛应用前景，本研究为其发展提供了新的思路和方法。
3. 提升学术界对多智能体系统控制领域的研究水平。
多智能体系统控制领域是当前控制领域的热点之一，本研究的成果将对该领域的发展产生积极的影响。
四、研究方法本研究采用理论研究和实验研究相结合的方法，主要包括以下步骤：1. 综合分析多智能体系统的特点和需求，建立系统的控制模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
杭州电子科技大学信息工程院毕业设计（论文）开题报告题目多变量解耦预测算法研究学院信息工程学院专业自动化姓名蔡东东班级08092811学号08928106指导教师左燕一、综述本课题国内外研究动态，说明选题的依据和意义预测控制是源于工业过程控制的一类新型计算机控制算法。
7 0年代后期，它已应用于美法等国的工业过程控制领域中。
1978 年，理查勒特( Rchalet )等在文献【l】中首次详细阐述了这类算法产生的动因、机理及其在工业过程中的应用效果，从此，预测控制(P r e d i c t i v eC ont r o l )作为一种新型的计算机控制算法的统一名称,便开始出现在控制领域中。
预测控制算法的研究现状1 鲁捧性问题预测控制作为一种复杂系统的控制策略和方法，有着强烈的应用背景，它所具有的强鲁棒性已为大量的系统仿真和工业实践所证实。
当对象参数未知时，通常采用参数自适应算法来估计对象参数,根据确定性等价原理，建立间接式的自适应广义预测控制。
然而，当被控对象具有未建模动态、参数时变、非线性及有界干扰时，这样建立的自适应算法未必能使广义预测控制的强鲁棒性得到保持。
为此，不少学者从不同的立足点出发，开展了提高算法鲁棒性的研究。
由于实际的生产过程大多是复杂的动态过程，精确建模具有特殊的困难，因而，描述对象的数学模型与实际对象特性之间不可避免地存在模型误差。
尽管模型误差无法预知，但根据它的历史数据，仍有可能用某些方法对未来时刻的模型失配作出某种预报，由此提高输出预测的精度、改善算法的鲁棒性。
文献【3】利用预测误差的历史数据建立误差预测模型，通过误差预测修正输出预测。
文献【4】则是将人工智能方法引入预测控制，在对实际运行经验总结的基础上，选择对系统输出有重要影响却难以归并到数学模型中的状态特征作为特征量，由此建立系统状态特征与预测误差之间的定量或定性映射关系，实现对预测误差的智能补偿。
从反馈校正的实施方式出发，针对预测控制单一输出反馈的局限性，文献【5】通过分析过程的中间信息，综合利用模型预测和误差预测，针对工业串联系统提出一种多反馈的预测控制结构，及时地抑制了扰动和模型失配的影响，提高了系统的鲁棒性和抗干扰性。
此外，鉴于预测控制每一采样时刻只计算实施一个现时控制量，没有充分利用全部预测控制信号的作用，致使现时控制信号发生错误时系统性能将变差。
为此，文献【6】采用加权控制律计算现时控制量，对因错误测量信号、暂时未建模动态、系统结构突变、参数估计失误及噪声影响等原因造成的错误控制信号进行有效抑制。
2 非线性系统的预测控制非线性系统的控制一直是控制理论界的难点.对慢时变、弱非线性系统而言，基于线性动态模型的预测控制算法可取得较好的控制效果。
然而，当其应用于强非线性系统时，为确保系统的鲁棒性，往往需要建立高阶线性近似模型或分段线性模型，这无疑会增加算法的复杂性。
一个可行的方法是引入简单的、可辨识的非线性数学模型。
例如采用Hammerstein模型作为预测模型，可实现对具有幂函数、死区、开关等非线性特性的工业过程的预测控制和采用广义卷积模型描述齐次非线性系统的输入输出关系，由此替代模型算法控制中的脉冲响应模型可获得齐次非线性系统的模型算法控制，进而可推广到更为一般的V ottera非线性系统的控制。
基于非线性定量数学模型解决非线性系统控制的另一有效方法是采用人工神经元网络模型。
神经网络是一种本质非线性数学模型，在解决具有高度非线性和严重不确定性的复杂系统的控制方面，具有巨大的吸引力和潜力。
具体到预测控制的应用上，主要有两种形式：一是利用神经网络高精度的非线性映射能力和固有的学习能力，为非线性系统提供统一的定量数学模型，进而可作为映射复杂非线性控制律的控制器；二是利用神经网络的分布式存储、处理结构和并行计算实时性好的优点，实现容错能力强、鲁棒性强的预测控制器。
文献【7】中，直接利用对象的输入输出数据训练多层前馈神经网络，以此作为非线性系统的预测模型，获得了不依赖于系统运行条件和先验信息的动态矩阵控制算法。
文献【8】在采用神经网络辨识模型实现非线性系统预测控制的基础上，进一步利用预测输出误差及其相应的控制量数据训练另一作为控制器的神经网络，直接用神经网络实现被控对象的控制。
值得一提的是，用神经网络实现控制器对改善算法的实时性有突出的作用。
然而，这一领域的应用还有赖于神经网络研究的进一步完善。
此外，基于模糊模型的预测控制也是实现非线性系统控制的有效途径。
与神经网络模型相比，模糊模型更宜于表达关于系统的先验信息。
通常，这种不精确的先验信息首先以模糊规则的形式出现在系统的初始模型中，并可在控制过程中得到进一步的完善。
目前，预测控制中有两种模糊模型一是基于模糊关系方程的模糊模型，它是一种输入模糊子集到输出模糊子集的非线性映射；另一种是Takagi-Sugeno模型，其实质是一组按输入空间模糊划分的线性模型集合，更宜于实现复杂非线性系统的综合模糊控制。
近来，将神经网络与模糊模型相结合，构成所谓的模糊神经元网络模型，在广义预测控制算法中已有所应用。
选题的依据和意义预测控制作为一种有效的控制算法，已被大量的仿真和实际应用所证实。
国内外学者们对单变量广义预测控制算法(GPC)作了大量的研究,但是实际工业过程通常为复杂的多输入多输出(MIMO)系统。
广义预测控制作为一种优化控制算法，其优点之一就是可以直接处理多变量系统的控制问题。
但是，多变量控制是控制理论界的一大难点，Kinnaert等人于年首次成功地将广义预测控制算法推广到多变量系统。
与经典多变量自适应控制算法相比，多变量广义预测控制算法无须事先已知系统关联矩阵的先验信息，且适用于非最小相位系统。
然而，一个不容忽视的问题是当系统各输入输出通道的时滞不同，特别是相差很大时，直接利用Kinnaert的设计方法可能导致闭环系统表现出严重的动态关联作用。
所以研究多变量预测控制算法在实际复杂的工业工程运用中具有更重要的意义。
上述已经指出，多变量系统由于其输入输出见存在着复杂的关联，DMC设计参数的整定要比单变量复杂得多。
为了简化多变量DMC控制的参数设计，我们以降低控制的最优性为代价，通过分散化和关联预测，导出一直建立在解耦基础上的多变量DMC设计方法。
由于解耦后的子系统可以充分利用单变量DMC设计的经验和规划，而从可达到简化设计的目的。
这便是我们研究的依据和目标。
二、研究的基本内容，拟解决的主要问题：基本内容1、预测控制的基本原理2、主要预测控制算法的研究（动态矩阵控制算法）3、单变量预测控制系统的参数设计（动态矩阵控制算法）4、多变量预测控制算法5、多变量预测控制算法的参数设计（动态矩阵控制算法）6、多变量预测控制算法的解耦7、分析不同参数影响下，预测控制器算法性能拟解决的主要问题1、如何对多变量预测控制算法的参数进行设计2、如何对多变量预测控制算法进行解耦三、研究步骤、方法及措施：1、文献阅读，熟悉并预测控制算法的基本原理2、研究几种典型的预测控制算法（重点研究动态矩阵控制算法）3、掌握预测控制器参数整定方法（预测时域P，控制时域M，权系数Q和R）4、在完成了对单变量预测控制算法的研究之后，在学习多变量预测控制算法的基本原理5、学习多变量预测控制算法的参数整定6、对多变量控制系统解耦预测控制算法进行设计7、用MATLAB软件进行控制器仿真测试和研究8、分析不同参数影响下，预测控制器算法性能四、研究工作进度：序号时间内容1 1月2日-2月15日文献阅读，熟悉多变量预测控制算法2 2月16日-3月2日认真开展课题调研和文献查阅工作，制定毕业论文工作进度计划，并拟定好开题报告。
3 3月2日-4月5日完成文献翻译和文献综述，进行多变量控制系统解耦预测控制设计4 4月5日-4月15日MATLAB编程实现解耦预测控制算法5 4月15日-5月1日针对典型对象，进行算法参数整定6 5月1日-5月15日毕业论文撰写7 5月21日至学期末资料整理及归档，自查与交流8910五、主要参考文献：【1】 Richalet J,rault A.Model predictive Heuristic Control:Application to Industrial Process.Automatica,1978,14(5):413-428【2】黄涵洲，陈伙平，韩光胜.预测控制的研究现状.北京工业大学学报,1997(6) 【3】古钟壁，王祯学等.具有误差预测修正的预测控制算法.控制与决策，1992，7（6）：432-436【4】古钟壁，王苇等.大滞后生产过程的智能式补偿预测控制.自动化学报，1995，21（4）：494-498【5】谢晓方，谢剑英等.工业申联系统的多反馈预测控制.控制理论与应用，1992，9（5）：500-505【6】周德云，陈新海等.广义预测鲁棒自适应控制.控制与决策，1991，6（4）：265-270，【7】Draeger Andreas,et al,Model Predictive Control Using Neural Networks.IEEE Control Syst.Mag.1995,15(5):61-66【8】Hunt K J,D.Sbarbaro,et al. Neural Networks for Control System:A Survey.Automatrica,1992,28(6):1083-1112六、指导教师审核意见：指导教师签字：年月日七、系（教研室）评议意见：系（教研室）主任签字：年月日八、开题小组评审意见：开题小组负责人签字：年月日九、学院领导审核意见：1．通过； 2．完善后通过；３．未通过学院领导签字：年月日。