BP神经网络模型预测控制算法的仿真研究

合集下载

基于MATLAB的BP神经网络的仿真与实现论文

2012届毕业设计论文基于MatLab的BP神经网络的仿真与实现院、部：计算机与信息科学学院学生姓名：指导教师：职称讲师专业：计算机科学与技术班级：完成时间：2012年5月摘要摘要本文首先说明课题研究的目的和意义，评述课题的国内外研究现状，引出目前存在的问题。

然后分析了神经网络算法的基本原理，给出经典神经网络算法的具体实现方法，总结神经网络算法的特点，并给出神经网络算法的基本流程。

采用Matlab软件编程实现BP神经网络算法。

将神经网络算法应用于函数逼近，样本分类和样本含量估计问题中，并分析相关参数或算法对运行结果的影响。

最后对BP神经网络算法进行了展望。

关键字: 神经网络；BP神经网络；函数逼近；样本分类ABSTRACTABSTRACTFirst, the research purpose and significance of neural network is expounded in this article. Commentary studies current situation at the problem home and abroad. Leads to the existing problems. and then have analyzed algorithmic basal principle of neural networks, Give algorithmic concert of classics neural networks out the realization method. Summing up the characteristics of neural network algorithm. Neural network algorithm is given the basic processes. The arithmetic of BP neural network is realized in Matlab software. The algorithm applies of BP neural networks to the function approximation problem，Sample classification and computes the swatch content. And analysis of relevant parameters on the results of algorithm. Finally, The BP neural network algorithm is Outlook.Key words: Neural network；BP neural network；Function approximation; Sample classfication目录摘要 (I)ABSTRACT........................................................ I I 目录............................................................ I II 前言.. (V)第一章绪论................................................... - 1 -1.1 人工神经网络的研究背景和意义............................ - 1 -1.2 神经网络的发展与研究现状................................ - 2 -1.2.1 神经网络的发展..................................... - 2 -1.2.2 神经网络的现状.................................... - 3 -1.3 神经网络的研究内容和目前存在的问题...................... - 3 -1.3.1 神经网络的研究内容................................. - 3 -1.3.2 神经网络研究目前存在的问题......................... - 3 -1.4 神经网络的应用.......................................... - 4 - 第二章神经网络结构及BP神经网络................................ - 5 -2.1 神经元与网络结构........................................ - 5 -2.1.1 生物神经元......................................... - 5 -2.1.2 人工神经元......................................... - 6 -2.1.3人工神经网络的构成................................. - 6 -2.2 BP神经网络及其原理...................................... - 9 -2.2.1 BP神经网络定义.................................... - 9 -2.2.2 BP神经网络模型及其基本原理........................ - 9 -2.3 BP神经网络的主要功能................................... - 10 -2.4 BP网络的优点以及局限性................................. - 11 - 第三章 BP神经网络在实例中的应用............................... - 13 -3.1 基于MATLAB的BP神经网络工具箱函数..................... - 13 -3.1.1 BP网络创建函数................................... - 14 -3.1.2 神经元上的传递函数................................ - 14 -3.1.3 BP网络学习函数................................... - 15 -3.1.4 BP网络训练函数................................... - 15 -3.2 BP网络在函数逼近中的应用............................... - 15 -3.2.1 问题的提出........................................ - 15 -3.2.2 基于BP神经网络逼近函数........................... - 16 -3.2.3 不同频率下的逼近效果.............................. - 19 -3.2.4 讨论............................................. - 21 -3.3仿真实验................................................ - 21 -3.3.1 BP神经网络MATLAB设计............................ - 21 -3.3.2 各种BP学习算法MATLAB仿真........................ - 23 -3.3.3 各种算法仿真结果比较与分析........................ - 26 -3.3.4 调整初始权值和阈值的仿真.......................... - 27 -3.3.5 其他影响因素仿真.................................. - 29 -3.4 BP网络在样本含量估计中的应用........................... - 30 -3.4.1 问题的提出........................................ - 30 -3.4.2 基于BP神经网络对胆固醇含量估计................... - 31 -3.4.3 不同条件下的输出结果.............................. - 33 -3.4.4 讨论.............................................. - 35 -3.5 BP神经网络在样本分类中的应用........................... - 36 -3.5.1问题的提出........................................ - 36 -3.5.2 基于BP神经网络的样本分类......................... - 36 -3.5.3不同算法条件下的不同测试过程以及输出结果.......... - 38 -3.5.4讨论.............................................. - 42 - 结论........................................................... - 43 - 参考文献 (1)致谢 (2)前言前言BP神经网络是目前人工神经网络模式中最具代表性,应用最广泛的一种模型,具有自学习、自组织、自适应和很强的非线性映射能力,可以以任意精度逼近任意连续函数.近年来,为了解决BP网络收敛速度慢,训练时间长等不足,提出了许多改进算法.然而,在针对实际问题的BP网络建模过程中,选择多少层网络,每层多少个神经元节点,选择何种传递函数等,均无可行的理论指导,只能通过大量的实验计算获得.MATLAB中的神经网络工具箱(Neural NetworkToolbox,简称NNbox),为解决这一问题提供了便利的条件.神经网络工具箱功能十分完善,提供了各种MATLAB函数,包括神经网络的建立、训练和仿真等函数,以及各种改进训练算法函数,用户可以很方便地进行神经网络的设计和仿真,也可以在MATLAB源文件的基础上进行适当修改,形成自己的工具包以满足实际需要。

基于BP神经网络的预测建模技术研究

基于BP神经网络的预测建模技术研究在大数据时代，数据分析和预测模型已变得越来越重要。

这些技术不仅适用于商业领域，还可以应用于金融、医疗、环境科学等领域。

预测建模技术可以帮助我们了解数据中的趋势和模式，并且指导决策。

在诸多预测模型中，BP神经网络被广泛应用于各种领域。

BP神经网络是一种常见的人工神经网络，被广泛应用于机器学习和模式识别领域。

BP神经网络可以分为前向神经网络和反向神经网络。

前向神经网络是一组节点的连接网络，每个节点传递信号给下一个节点，从而形成计算输出的模型。

反向神经网络则是一种学习和识别模式的算法。

反向神经网络将计算误差并沿着网络向后传递，以调整神经网络的权重。

BP神经网络具有多个层次和不同的节点数。

这些层次包括输入层、隐藏层和输出层。

输入层和输出层很容易理解，而隐藏层是模型实现预测的核心。

隐藏层的节点数量越多，模型性能越好，但训练和计算时间也会相应增加。

随着BP神经网络的不断发展，现有的创新和技术可以提高模型的预测性能和训练速度。

BP神经网络提供了一种直接从数据中学习模型的方法。

在数据分析中，样本数据是最重要的资源。

在实际操作中，我们需要将数据分成测试样本和训练样本。

训练样本被用于调整网络的权重，以便预测结果与实际结果最为接近。

测试样本可以用于验证模型的准确性，并使用其他评估指标来评估模型的性能。

在进行BP神经网络模型训练之前，我们需要掌握一些基本步骤和技术。

首先，我们需要提前规划好模型的结构和样本数据。

这些数据可以是CSV文件或数据库中的数据。

其次，我们需要进行数据预处理和清洗。

数据预处理包括缺失数据处理、异常数据处理、数据标准化等。

然后我们需要确定网络的各种参数，如学习率、最大迭代次数、停止条件等。

最后，我们通过反向传播算法进行模型训练。

BP神经网络可以应用于各种领域，例如金融、股票市场、电力工业、环境科学等。

在金融领域，BP神经网络可以用于股票市场预测、外汇汇率预测、信用评估等方面。

基于BP神经网络的PID控制器及仿真

基于BP神经网络的PID控制器及仿真2010/5/14/11:391. 引言PID（比例-积分-微分）控制器作为最早实用化的控制器已有50多年历史，因其具有算法简单、鲁棒性好、可靠性高、直观性好等优点被广泛的应用于工业过程控制及运动控制中[1]。

常规PID控制效果的优劣，不仅仅取决于控制系统模型的精确程度，还必须调整好三个参数的关系，而这种关系不一定是简单的线性组合。

实际的工业过程及运动过程往往具有时变性、变参数、变结构等不确定性及很强的非线性，精确的数学模型难以建立，此外，常规PID还有实现在线调整困难，参数间相互影响，参数整定时间长等缺点，难以取得理想的控制效果。

随着控制理论的发展，将应用广泛的PID控制器与智能控制理论相结合[2]成为智能控制研究的新方向，神经网络算法具有逼近任意非线性表达能力，很强的自学习能力和概括推广能力，在解决高度非线性和不确定系统方面有很大的的潜能，应用神经网络，可以从复杂的PID三个参数组合中寻求最佳的线性组合，使神经网络和PID本质结合。

从而使得控制器具有较好的自适应性，实现参数的自动实时调节，适应过程的变化，提高系统了的鲁棒性和可靠性。

2. BP神经网络2.1 BP神经网络的构成及设计[3]BP神经网络是一种具有三层或三层以上的神经网络，包括输入层、隐含层、输出层，上下层之间实现全连接，而每层神经元之间无连接。

当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。

接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法即BP算法。

随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。

（1）输入输出层的设计输入层的设计可以根据需要求解的问题和数据表示方式确定，若输入信号为模拟波形，那么输入层可以根据波形的采样点数目撅腚输入单元的维数，也可以用一个单元输入，这是输入样本为采样的时间序列。

基于BP算法的模糊神经网络控制系统的仿真实现

基于BP算法的模糊神经网络控制系统的仿真实现随着计算机和控制技术的不断发展，控制系统的设计也越来越受到关注。

基于BP算法的模糊神经网络控制系统是一种新型的控制方法，可以有效解决传统控制方法难以解决的问题。

在本篇文章中，我们将介绍基于BP算法的模糊神经网络控制系统的仿真实现。

1. BP算法简介BP算法是一种常见的人工神经网络训练算法，它是一种迭代算法，通过不断调整权值来实现网络的训练。

BP算法的基本思想是利用梯度下降求出网络误差函数的最小值。

在模糊神经网络中，BP算法可以用于训练输入输出关系的映射。

通过训练可以得到网络的权值和阈值，使得网络能够更好地拟合输入输出映射。

2. 模糊神经网络控制系统模糊神经网络控制系统是一种强大的控制方法，它将模糊控制和神经网络控制相结合，能够有效地处理模糊性问题和非线性问题。

模糊神经网络控制系统将模糊控制器和神经网络控制器相结合，用模糊控制器处理模糊性问题，用神经网络控制器处理非线性问题。

3. 仿真实现在仿真实现中，我们以飞行控制系统为例，设计了一个基于BP算法的模糊神经网络控制系统，该系统包含一个模糊控制器和一个BP神经网络控制器。

模糊控制器将输入的误差和误差变化率转化为模糊量，然后根据模糊规则得到输出控制量。

BP神经网络控制器通过训练得到输入输出映射，进而对输出控制量进行优化。

我们通过MATLAB软件进行仿真，将仿真结果与经典控制方法进行对比，发现基于BP算法的模糊神经网络控制系统具有更好的控制性能和更强的鲁棒性。

在控制飞行器的姿态过程中，基于BP算法的模糊神经网络控制系统具有更快的响应速度和更小的稳态误差。

4. 总结基于BP算法的模糊神经网络控制系统是一种强大的控制方法，能够有效地解决传统控制方法难以解决的问题。

在仿真实现中，我们设计了一个基于BP算法的模糊神经网络控制系统，得到了良好的控制效果，这也表明了该方法的可行性和优越性。

在实际应用中，我们需要对系统进行优化和调试，以达到更好的控制效果。

基于神经网络的预测控制模型仿真

基于神经网络的预测控制模型仿真摘要：本文利用一种权值可以在线调整的动态BP神经网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。

该算法显著提高了预测精度，增强了预测控制算法的鲁棒性。

关键词：预测控制神经网络动态矩阵误差补偿1.引言动态矩阵控制(DMC)是一种适用于渐近稳定的线性或弱非线性对象的预测控制算法，目前已广泛应用于工业过程控制。

它基于对象阶跃响应系数建立预测模型，因此建模简单，同时采用多步滚动优化与反馈校正相结合，能直接处理大时滞对象，并具有良好的跟踪性能和较强的鲁棒性。

但是，DMC算法在实际控制中存在一系列问题，模型失配是其中普遍存在的一个问题，并会不同程度地影响系统性能。

DMC在实际控制中产生模型失配的原因主要有2个，一是诸如建模误差、环境干扰等因素，它会在实际控制的全程范围内引起DMC的模型失配；二是实际系统的非线性特性，这一特性使得被控对象的模型发生变化，此时若用一组固定的阶跃响应数据设计控制器进行全程范围的控制，必然会使实际控制在对象的非建模区段内出现模型失配。

针对DMC模型失配问题，已有学者进行了大量的研究，并取得了丰富的研究成果，其中有基于DMC控制参数在线辨识的智能控制算法，基于模型在线辨识的自校正控制算法以及用神经元网络进行模型辨识、在辨识的基础上再进行动态矩阵控制等。

这些算法尽管进行在线辨识修正对象模型参数，仍对对象降阶建模误差(结构性建模误差)的鲁棒性不好，并对随机噪声干扰较敏感。

针对以上问题，出现了基于误差校正的动态矩阵控制算法。

这些文献用基于时间序列预测的数学模型误差代替原模型误差，得到对未来误差的预测。

有人还将这种误差预测方法引入动态矩阵控制，并应用于实际。

这种方法虽然使系统表现出良好的稳定性，但建立精确的误差数学模型还存在一定的困难。

本文利用神经网络通过训练学习能逼近任意连续有界函数的特点，建立了一种采用BP神经网络进行预测误差补偿的DMC预测控制模型。

基于matlab实现BP神经网络模型仿真

基于BP神经网络模型及改进模型对全国历年车祸次数预测一、背景我国今年来随着经济的发展，汽车需求量不断地增加，所以全国每年的车祸次数也被越来越被关注，本文首先搜集全国历年车祸次数，接着通过这些数据利用BP神经网络模型和改进的径向基函数网络进行预测，最后根据预测结果，分析模型的优劣，从而达到深刻理解BP神经网络和径向基函数网络的原理及应用。

所用到的数据即全国历年车祸次数来自中国汽车工业信息网，网址如下：制作历年全国道路交通事故统计表如下所示：二、问题研究（一）研究方向（1）通过数据利用BP神经网络模型预测历年全国交通事故次数并与实际值进行比较。

（2）分析BP神经网络模型改变训练函数再进行仿真与之前结果进行对比。

（3）从泛化能力和稳定性等方面分析BP神经网络模型的优劣。

（4）利用径向基函数网络模型进行仿真，得到结果与采用BP神经网络模型得到的结果进行比较。

（二）相关知识（1）人工神经网络人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。

在工程与学术界也常直接简称为神经网络或类神经网络。

神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。

每个节点代表一种特定的输出函数，称为激励函数（activation function）。

每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。

网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。

而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

人工神经网络有以下几个特征：（1）非线性关系是自然界的普遍特性。

大脑的智慧就是一种非线性现象。

人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性网络关系。

具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。

（2）非局限性一个通常由多个神经元广泛连接而成。

一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。

BP神经网络仿真实验指导书

BP神经网络设计指导书一、实验目的1. 熟悉神经网络的特征、结构以及学习算法2. 了解神经网络的结构对控制效果的影响3. 掌握用MATLAB实现神经网络控制系统仿真的方法。

二、实验原理人工神经网络ANN(Artificial Neural Network)系统由于具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。

尤其是基于误差反向传播(Back Propagation) 算法的多层前馈网络(Muhiple-LayerFeedforward Network)，即BP网络，可以以任意精度逼近任意连续函数，所以广泛地应用于非线性建模、函数逼近和模式分类等方面。

1.BP网络算法实现BP算法属于delta算法，是一种监督式的学习算法。

其主要思想是：对于M个输人学习样本，已知与其对应的输出样本。

学习的目的是用网络的实际输出与目标矢量之间的误差来修改其权值，使实际与期望尽可能地接近，即使网络输出层的误差平方和达到最小，他是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的。

每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层。

2.BP网络的设计在MATLAB神经网络工具箱中．有很方便的构建神经网络的函数。

对于BP网络的实现．其提供了四个基本函数：newff，init．train和sim．它们分别对应四个基本步骤．即新建、初始化、训练和仿真(1)初始化前向网络初始化是对连接权值和阈值进行初始化。

initff函数在建立网络对象的同时，自动调用初始化函数，根据缺省的参数对网络的连接权值和阈值进行初始化。

格式：[wl，bl，w2，b2]=initff(p，sl，fl，s2，f2)其中P表示输入矢量，s表示神经元个数，f表示传递函数，W表示权值，b表示阈值。

(2)训练网络BP网络初始化以后，就可对之进行训练了。

Bp神经网络的仿真设计

Bp神经网络的仿真设计在当今的科技领域，神经网络技术的发展日新月异，其中 Bp 神经网络更是备受关注。

Bp 神经网络作为一种广泛应用的机器学习模型，在模式识别、预测分析、数据分类等众多领域都展现出了出色的性能。

接下来，让我们深入探讨一下 Bp 神经网络的仿真设计。

Bp 神经网络的基本结构包括输入层、隐藏层和输出层。

输入层接收外部的数据输入，隐藏层则对这些输入进行复杂的计算和处理，输出层最终产生网络的输出结果。

在设计 Bp 神经网络时，首先需要确定网络的层数和各层的神经元数量。

这一决策并非随意而为，而是要根据具体的问题和数据特点来进行考量。

对于输入层神经元的数量，通常取决于输入数据的特征数量。

例如，如果我们要处理图像数据，输入层神经元的数量可能会与图像的像素数量相关；而如果是处理文本数据，则可能与词汇的数量或者特征向量的维度有关。

隐藏层的层数和神经元数量的确定则相对复杂一些。

一般来说，如果问题较为简单，一层隐藏层可能就足够；但对于复杂的问题，可能需要多层隐藏层来提取更高级的特征。

神经元数量的选择往往需要通过试验和经验来确定。

过多的神经元可能导致过拟合，即模型在训练数据上表现出色，但在新的、未见过的数据上性能不佳；而过少的神经元则可能导致欠拟合，无法充分学习数据中的模式。

在Bp 神经网络的仿真设计中，数据的预处理也是至关重要的一步。

原始数据往往存在噪声、缺失值或者数据范围差异较大等问题。

为了提高网络的学习效果和性能，需要对数据进行清洗、归一化等处理。

数据清洗可以去除噪声和异常值，保证数据的质量。

归一化则将数据的取值范围限制在一个较小的区间内，例如 0, 1 或者－1, 1，这样可以加快网络的训练速度，并且有助于提高模型的稳定性和泛化能力。

在确定了网络结构和处理好数据之后，接下来就是选择合适的激活函数。

激活函数为神经网络引入了非线性特性，使得网络能够处理复杂的非线性问题。

常见的激活函数有 Sigmoid 函数、Tanh 函数和ReLU 函数等。

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)。

（ｏｌｇｆｕｏｔｎＣｏｇｉｇＵｉｅｓｙＣｏｇｉｇ４０４，ｈｎ）ＣｌｅｏＡｔｍａｉ，ｈｎｑｎｎｖｒｉ，ｈｎｑｎ００４Ｃｉａｅｏｔ
ＡｓａｔＴｖｒｏｅｐｏｌｏｗｒｏｔｌｒｃｉｎｃｕｅｙｐｒｔｓａｉｇｏｅｃｎｒｌｄｏｊｃ，ｂｔｃ：ｏｏｅｃｍｅｈｒｂｅｆｏｅｎｒｅｉｏａｓｄｂａａｅｒｎｆｈｏｔｌｂｅｔｒｔｍｌｃｏｐｓｍｅｒｖｙｔｏｅ
最ｄ－＂－－乘递推算法在线预测系统模型参数，利用ＢＰ神经网络在线预测ＰＤ参数以控制被控对象。Ｉ该算法基于模型预测，首先在线性系统中验证其控制效果，然后将非线性问题作线性处理，采用ＢＰ神经网络模型预测ＰＤ控Ｉ制器予以实现控制非线性系统。仿真曲线显示ＢＰ神经网络ＰＤ控制器用于线性系统可达到高精度控制要求；对Ｉ于非线性系统有自适应及逼近任意函数的能力。仿真研究表明，该算法与传统ＢＰ神经网络ＰＤ控制器相比，其Ｉ自适应能力更强，稳定性更好，控制精度更高。关键词：模型预测；最小二乘递推算法；ＢＰ神经网络ＰＤ控制器Ｉ
ｓｌｔｎｒｓａｃｅｈｗａｔｎｅｄｐｔｎｂｔｒｉｔｂｌ，ｎｉｈｒｉｏｔｏｒｃｓｏｏａｅｉａｉｅｅｈｓｓｏｔｔｔｓｓｏｇｒｉａａｔｉ，ｅｔｓｉｔａｄｈｇｅｃｎｒｌｅｉｉｎｃｍｐｒｄｍｕｏｒｈｉｉｒｎａｏｅｎａｉｙｎｐ
ｔｅｐｐｅｒｐｓｄａｓｒｆｐｅｉｔｖｏｔｏｌｏｉｈｂｓｄｏｅｒｌｅｗｏｋｍｏｅ．ｎｔｅｐａｅｔａｐｌｓｔｈａｒｐｏｏｅｏｔｏｒｄｃｉｅｃｎｒｌｇｒｔｍａｅｎＢＰｎｕａｔｒｄ１ＩｈｐＬｉｐｉｈｅａｎｅ
ｐｅｉｉｅｐｒｍｅｒｏＩｏｔｌｒｂｓｄｏＰｎｕａｎｔｏｋｏｎｏ￣ｌｈｏｔｒｌａｅｎＢｅｒｌｅｒｎｌｅｔｃｎｏｔｅｃｎｏｌｂｅｔａｄｔｔｅＰｏｅｗｉｏｒｅｈ
ｓｓｅｍｏｅｒｍｅｅｓｎｌｎｒｄｉｔｄｂａｓｏｆｌａｔｒｃｒｉｅｓｕｅｌｏｔ．ｅａｇｒｔｕｄｂｅｙｔｍｄｌｐａａｔｒＷａｏｉｅｐｅｃｅｙｍｅｎｓｅｕｓｖｑａｓａｇｒｈＴｈｌｏｈｗｏｌｅｒｉｍｉｍｂｅｎｍｏｄｌｅｉｔｎ．ｔｆｒｔｖｌｄｔｓｃｎｒｌｅｅｔｉｈｉｅｙｔｍ．ｎｈｎｔｅｎｎ１ｅｒｂｌｍｕｄｓａｄｏｅｄｃｉＩｓａｉａｓｉｏｔｏｆｃｎｔｅｌｎａｓｓｅａｄｔｅｈｏ．ｉａｐｏｅｗｏｌｐｒｏｉｔｒｎｒ
ｂｅｔｄａｅｌｅｒｙＴｅｎｎｌｅｙｔｍｕｄｂｏｔｏｌｄｂｓｆｒｄｃｉｅｃｎｒｌｌｏｉａｅｎＢＰｅｒａｅｓｈｎａｉ．ｈｏ－ｎａｓｓｅｗｏｌｅｃｎｒｌｙｕｅｏｐｅｉｔｏｔｏｇｒｈｂｓｄｏｔｔｉｔｉｒｅｖａｔｍ
ｎｕａｅｏｒｄ１ｅｒｌｔｎｗｋｍｏｅ．ＴｈｉｌｔｏｕｖｓｓｏｓｔａｏｄａｈｅｅｈｇｏｔｏｒｃｓｏｎｔｅｌｅｙｔｍｏｅｓｍｕａｉｎｃｒｅｈｗｅｈｔｉｃｕｌｃｉｖｉｈｃｎｒｌｅｉｉｎｉｈｉａｓｓｅｔｔｐｎｒＰＤｏｔｏｌｒｏｆＢＰｎｕａｅｏｋｎｗｎｔｅｂｌｙｏｄｐａｉｎａｄａｐｒａｈｎａｂｔａｙｆｎｔｎ．ＴｈＩｃｎｒｌｅｅｒｌｎｔｒ，ａｄｏｈａｉｔｆａａｔｔｏｎｐｏｃｉｇｒｉｒｒｕｃｉｗｉｏｅ
ＳｍｕａｏｎＰｒｄｃｖｅＣｏｔｏｇｒｔｍｓｄｏＮｅｒｌｔｒｏｅｉｌｔｎｏｅｉｔｎｒｌｉｉＡｌｏｉｈＢａｅｎＢＰｕａｗｏｋＭｄｌＮｅ
ＣＨＥＮＧｅＬｉ．Ｓｎ－ｎＳＨＩＣｈａ－ａｏＣｈｏ
计算机系统应用
ｈｔ：ｗ．ｓａｒ．ｔｌｗｗｃ —．ｇｃｐｌ・ｏａ
２１０１年第２Ｏ卷第８期
ＢＰ神经网络模型预测控制算法的仿真研究
程森林，师超超
ｆ重庆大学自动化学院，重庆４０４）００４摘要：为克服被控对象参数变化导致控制精度降低的问题，研究了一种ＢＰ神经网络模型预测控制算法。借助