预测控制 文献综述
关于粮食安全预测的一个文献综述
一
引 言
粮食安全 （ Ｆ ｏ ｏ ｄ Ｓ ｅ ｃ ｕ ｒ ｉ ｔ ｙ ）由联 合国粮农组 织 （ Ｆ Ａ Ｏ）于 ２ Ｏ世 纪 ７ ０ 年代 中期提 出，内涵几经扩展 ， 从传统 的供求 总量平 衡到兼顾生 产 、消 费结构和供求 的区域性 、结构性 等 （ 陈芬 菲和李 孟刚 ，２ ０ １ １ ） 。在 概念 方面 ，粮食安全 又区别 于粮食 自给、粮食产需 、食 品安全 等。 粮食安全预测是 与粮食安全 紧密相关 的课 题。粮食需求 的刚性和供 给 的不确定性决定 了粮食供需研究 和安全 预测研究是 一个永恒 的常青的 课题 （ 曾福生 ，２ ０ ０ ５ ） ，作 为准公 共物 品 的粮 食具 有特 殊 的使用 价值 ， 既有经济属性 ，又有 保健 属 性 （ 吴志 华 ，２ ０ ０ ４），有产 业 缺 陷性 （ 胡 靖 ，１ ９ ９ ８ ） ，还有社会政治 属性 ，随着 产业经 济发展 ，我 国农业 经济贡 献份额 降低 ，产业 缺陷渐趋显露 ，其 社会政治意义却尤显重要。 二 、粮食供需预测方法综述 （ 一 ） 粮 食 供 给 预 测 方 法 粮食供给预测方法主要包括统｛ 十一 计量模型和机理模型或作物模型。 １ ．统计 一计量预测模 型主要思路如下 ： （ １ ）利用时间模型 ，应用 时间序列趋势外推 的方法 ，进行分 析和预 测 。主要有 Ａ Ｒ Ｉ Ｍ Ａ模型 （ 陈艳红等 ，２ ０ １ ３ ），灰色 预测模 型 （ 周慧 秋 ， ２ ０ ０ ６ ） ，指数平滑法 （ 蔡承智 和 陈阜 ，２ ０ ０ ４） ，协 整关 系分 析 （ 陈倬 和 简小凤 ，２ ０ １ ３ ） ，移 动平均法 （ 李 建平和 上官周平 ，２ ０ １ １ ） 等。这种 预 测模型以粮食供给数量的历史数据为基础建立数学计量模 型 ，进行短 期 粮食供给预测 ，而无需考虑其他 因素 。 （ ２ ） 寻找影响粮食 供给的因素 ，比如从粮食 单产、种植面积 、水资 源 、销售价 格 、农 资投 入成本 、气候 变化 、城市 化进程 、国际市场 波 动 、运输难度等 因素 的变化 出发 ，应用 逐步 回归 、主 成分分 析 、Ｂ Ｐ神 经 网络 、投入产 出分 析 （ Ｊ ｉ ｅ Ｃ ｈ ｃ ｎ ，２ ０ ０ ７ ） 、因子 分 析 （ 王 慧 ，２ ０ ０ ９ ） 、 聚类分析 （ 姚鑫等 ， ２ ０ １ １ ） 等方法 ，对粮食 未来 供给状 况做出预测。还 有学者从微观经济视角来 证实 自然和人为因素对粮食 安全的影响 （ 万相 昱 和 张涛 ，２ ０ １ ３ ） 。 （ ３ ）组合模型法 ，其实就是在上述模型 中选取几个模型为其赋予权 重 ，组合得 出预测结 论。丁晨 芳 （ ２ ０ ０ ７ ）证 明此方 法可 以提 高预 测精 度。 ２ ．作物机 理模 型 主要包 括遥感 技术 预测法 、气象产量预测法 、统计动力学 生长模拟 法 。这是以 自然科学为 基础从 作物 生长 环境 和 种植 现状 出发 ，利 用 观 察 、统计 、模拟等方法对粮食产量而并非严格的供给量做 出预测 。如雄 伟等 （ ２ ０ ０ ６ ）结合 区域气候模式 Ｐ Ｒ Ｅ Ｃ Ｉ Ｓ和 Ｃ Ｅ ＲＥ Ｓ作物模 型模 拟了未来 不 同的温室气体排放情景下 中国粮食产量状况 。 （ 二 ） 粮 食 需 求 预 测 方 法 对粮食需求预测则主要包括统计 一 计量模型和经验 推算。统计 一计 量模 型主要有双边恩格尔函数模型 （ 黄宇慧 ，２ ０ １ ０ ） ，Ｅ Ｍ Ｃ模 型 （ 王君 萍， ２ ０ ０ ９ ） ，回归模 型 （ 龙方 ，２ ０ ０ ８ ）等。其 中，学 者们 认为粮 食需 求 主要影响因素为人 口增长与结构 ， Ｇ Ｄ Ｐ ，居民收入 ，粮食 用途与消 费结 构 （ 口粮 、饲料用粮 、种子用粮 、工业用粮 的变化 ） ，Ｃ Ｐ Ｉ ，货币够购买 力等。经验推算主要 依据 对历史 经验 、现实 趋势 和 国际经 验 的系统 分 析 ，结合对粮食需求 的影响 因素及其变化趋势 的前 瞻性 研究 ，对粮 食需 求的变化做 出判断 （ 姜风和孙 瑾，２ ０ ０ ７ ） ，比如专 家预测 、经济周期 等 方法 。马 晓河 （ １ ９ ９ ７ ）、姜长 云 （ ２ ０ ０ ５ ） 、孙 宏 岭和刘 亚 鑫 （ ２ ０ １ ３）等 曾应用此方法 。有些学者干脆 以国际公认人 均粮 食 占有量 ４ ０ ０公 斤为系 数 ，估约人 口数量变动情况 下的粮食 需求 量变化 。
预测控制综述作业
广义预测控制快速算法研究The Research On Fast Algorithm Of Generalized Predictive Control (School of Electrical Engineering and Automation, Tianjin University, Nankai District, Tianjin 300072, China)ABSTRCT：The Implementation of GPC algorithm,needs on-line estimation of control object parameter,to design a controller.Because the GPC algorithm to control the increment calculation involves the solution of Diophantine equation and the solution of inverse matrix, the on-line calculation quantity is quite big, not suitable for application in real-time, limiting his range of application. Some researchers committed to reduce the amount of computation research, there has been a lot of improved generalized predictive control algorithm. The research on the generalized predictive control fast algorithm is extensive with each passing day, the main research includes:the fast algorithm about generalized predictive control combined with neural network. the fast algorithm on grey model system with less identification parameters , the fast algorithm results from direct improved generalized predictive control law, the fast algorithm using the particularity of the model structure,the combination between generalized predictive control and fuzzy logic algorithm and so on. The algorithm is mainly through the use of various means to avoid solving the Diophantine equation and its inverse matrix to improve system speed .KEY WORDS：Fast algorithm of generalized predictive control, Neural network, Gray system model, Directly Improved generalized predictive control law , The special structure of the model, Fuzzy logic system摘要：实施GPC算法时, 需要在线估计控制对象的参数, 用于设计控制器。
分析师预测精准度的影响因素文献综述
分析师预测精准度的影响因素文献综述随着信息和数据技术的快速发展，金融领域的分析师需要更加高效和精准地预测市场趋势。
然而，分析师的预测精准度往往受到多种因素的影响。
本文将从市场信息、个体因素和行业结构三个方面进行分析师预测精准度的影响因素。
市场信息方面，史密斯和拉弗提出了市场有效性假说，认为市场的价格是反映了所有可获得的信息，任何预测都是无法超过市场的收益率。
然而，众多研究表明，市场并非完全有效，存在价格滞后和非理性行为等现象。
这些非有效性因素会影响分析师的预测精准度。
例如，周黎明和潘宏伟通过研究中国上市公司的分析师预测数据发现，市场价格滞后对分析师预测精准度有着显著影响。
在平滑市场上行期，分析师的预测精准度会高于平滑市场下行期。
个体因素方面，分析师的经验、能力和个性特质等因素都会影响其预测精准度。
研究表明，分析师的经验和能力对预测精准度有着显著影响。
例如，张金华和林祖威通过研究中国上市公司的分析师数据发现，预测周期的持续增加会显著提高分析师的预测精准度。
此外，分析师的特性也会影响其预测精准度。
研究发现，分析师的自信程度高、个性独立、思考方式灵活的人预测精准度更高。
行业结构方面，分析师的预测精准度也受到行业特性的影响。
研究表明，行业的竞争程度、规模、复杂度等因素会影响分析师的预测精准度。
例如，吕涣和陈敏通过研究中国证券分析师数据发现，在具有高竞争度和复杂性的行业中，分析师的预测精准度更低。
总之，分析师的预测精准度受到多种因素的影响。
市场信息、个体因素和行业结构都会对其预测精准度产生不同程度的影响。
了解这些影响因素对于提高分析师的预测精准度具有一定的指导意义。
永磁同步电机系统模型预测控制
01 引言
03 研究方法
目录
02 文献综述 04 参考内容
引言
随着电力电子技术、微处理器和传感器技术的快速发展，永磁同步电机 （PMSM）系统在许多领域得到了广泛应用。作为一种典型的交流调速系统，永磁 同步电机具有高效率、高精度和快速响应等优点。然而，要充分发挥这些优点， 需要依赖于精确的控制方法。模型预测控制（MPC）是一种先进的控制策略，可 以适用于具有非线性、耦合和时变特性的复杂系统。
3、最大转矩控制
最大转矩控制是一种以最大转矩为目标函数的弱磁控制策略。通过优化控制 器参数，使电机在高速或大负载下运行时具有最大转矩，从而避免磁饱和和提高 系统性能。该方法需要建立准确的电机模型和优化算法，实现起来较为复杂。
四、应用例
在实际应用中，某型轨道车辆采用了基于最大效率控制的弱磁控制策略。通 过实时监测定子电压和电流，根据电机运行状态调整控制器参数，实现了对电机 的弱磁控制。实验结果表明，采用该控制策略的PMSM系统在高速和大负载下运行 稳定、效率高、转矩波动小，显著提高了轨道车辆的运行性能和稳定性。
在永磁同步电机控制中，模型预测控制可以实现对电机的快速、精确和稳定 控制。本次演示将介绍一种永磁同步电机系统模型预测控制的方法。
文献综述
永磁同步电机系统模型预测控制的研究已经取得了丰富的成果。研究者们针 对不同的控制目标和要求，提出了多种模型预测控制策略。例如，基于矢量控制 的模型预测控制策略可以有效地提高电机转矩的动态响应和鲁棒性；采用优化算 法的模型预测控制策略可以在保证系统性能的同时，降低控制算法的计算复杂度；
五、结论
轨道车辆用永磁同步电机系统弱磁控制策略是提高其性能的关键技术之一。 本次演示介绍了PMSM的工作原理和弱磁控制的必要性，并详细阐述了电压反馈控 制、最大效率控制和最大转矩控制等弱磁控制策略的实现方法。通过应用案例的 介绍，证明了采用最大效率控制的弱磁控制策略可以显著提高PMSM系统的性能和 稳定性。
负荷预测方法文献综述
电力系统中传统负荷预测方法的文献综述负荷预测的核心问题就是预测的技术方法，或者说是预测数学模型。
随着现代科学技术的不断进步，负荷预测理论、技术得到了很大的发展，理论研究逐步深入，适合本地特点的预测程序、软件开始出现。
但不可否认的是，就目前而言，我国的电力系统负荷的预测技术还是比较落后的，相应的基于软件的技术还不能满足现代社会的需求，有待进一步提高。
传统的负荷预测方法如回归模型法，卡尔曼滤波法，时间序列法，灰色预测法，专家系统法，模糊理论法，神经网络法，小波分析法等。
这些传统的预测方法无论是哪种均具有不足和缺陷，随着对负荷预测的深入研究和广泛应用，传统的预测方法的应用越来越难以适应发展，逐渐形成了现代负荷预测方法。
文献【1】针对传统静态神经网络自适应能力差、收敛速度慢、预测精度低的问题,提出了一种基于小波分析和Elman动态神经网络的中长期电力负荷预测方法,该算法通过对原始样本进行小波分解,将分解后的低频趋势信号和高频细节信号分别进行预测,在输出端再进行重构后得到预测曲线;然后就传统负荷预测问题中数据预处理环节的数据校验问题,提出了一种基于小波理论的奇异点检测法,该方法对原始样本进行一维离散小波分解,抽取一层高频细节信号进行分析,根据工程实践中设置的阈值,来检测有可能因为系统故障、人为失误导致的数据记录错误,为准确预测提供了保障。
文献【2】提出一种基于人工神经网络的电力负荷预测方法 ,该方法充分吸收了神经网络非线性逼近能力的优点。
在神经网络结构设计中充分考虑了电力负荷的特点 ,并用神经网络加权最小方差模型(NNWLS)对样本进行训练。
在实际预测中 ,该预测方法取得了比较高的的预测精度。
文献【3】针对人工神经网络模型在进行负荷预测时,大多不考虑气象等因素的影响,提出了一种基于数据挖掘预处理的改进短期电力负荷预测的方法,应用数据挖掘的聚类功能,寻找与预测日同等气象类型的多个历史短期负荷数据序列进行预测,从而提高预测的精度。
自动化文献综述
文献综述前言从20世纪40年代起，特别是第二次世界大战以来，自动化随着工业发展和军事技术需要而得到了迅速的发展和广泛的应用。
如今，自动控制技术不仅广泛应用于工业控制中，在军事、农业、航空、航海、核能利用等领域也发挥着重要的作用。
例如，电厂中锅炉的温度或压力能够自动恒定的不变，机械加工中数控机床按预定程序自动地切削工件，军事上导弹能准确地击中目标，空间技术中人造卫星能按预定轨道运行并能准确地回收等，都是应用了自动控制技术的结果。
自动控制，是指在没有人直接参与的情况下，利用控制装置对机器设备或生产过程进行控制，使之达到预期的状态或性能要求。
双容水箱液位控制系统就是自动控制技术在液位控制方面的应用。
其在化工，能源（电厂）等工业工程控制中得到了广泛应用。
过程控制的发展历程随着过程控制技术应用范围的扩大和应用层次的深入，以及控制理论与技术的进步和自动化仪表技术的发展，过程控制技术经历了一个由简单到复杂，从低级到高级并日趋完善的过程。
1过程控制装置的发展1.1基地式控制阶段（初级阶段）20世纪50年代，生产过程自动化主要是凭借生产实践经验，局限于一般的控制元件及机电式控制仪表，采用比较笨重的基地式仪表（如自力式温度控制器、就地式液位控制器等），实现生产设备就地分散的局部自动控制。
在设备与设备之间或同一设备中的不同控制系统之间，没有或很少有联系，其功能往往限于单回路控制。
其过程控制的主要目的是几种热工参数（温度、压力、流量及液位）的定值控制，以保证产品质量和产量的稳定。
1.2单元组合仪表自动化阶段20世纪60年代出现了单元组合仪表组成的控制系统，单元组合仪表有电动和气动两大类。
所谓单元组合，就是把自动控制系统仪表按功能分成若干单元，依据实际控制系统结构的需要进行适当的组合。
单元组合仪表之间用标准统一的信号联系，气动仪表（QDZ系列）信号为0.02～0.1MPa气压信号，电动仪表信号为0～10mA直流电流信号（DDZ-II系列）和4～20mA直流电流信号（DDZ-III系列）因此单元组合仪表使用方便、灵活。
文献综述
文献综述1.研究背景及其意义大型火电单元机组的协调控制系统是一个相对复杂的多变量控制系统，具有大时滞、慢时变的特点。
单元机组协调控制系统把机炉设备作为一个整体进行控制，受控过程十分复杂。
影响机组动态特性的因素除了其内在的物理结构属性以外，还与机组的运行方式、运行工况、外部环境等因素有关。
一般说来，单元机组的动态特性是本质非线性，并具有分布参数和时变特性。
对单元机组动态特性的精确描述目前还难以得到[1]，使采用固定参数的PID控制器不能与生产上越来越高的控制要求相适应。
对于具有延迟特性的被控对象来说，由于反馈量往往不能及时地反映对象模型和扰动的变化，使得PID控制器输出总是不能跟上对象模型和扰动的变化，所以，常规PID控制器对于这类对象的控制效果很不理想[2]。
而预测控制对大迟延对象具有独特的优势，该控制策略在单元机组协调控制系统上具有很好的控制品质，具有较广阔的应用前景[1]。
2.研究现状模型预测控制(Model Predictive Control,简称MPC)是近年来发展起来的一类新型的计算机控制算法。
由于它采用多步测试、滚动优化和反馈校正等控制策略，因而控制效果好，适用于控制不易建立精确数字模型且比较复杂的工业生产过程，所以它一出现就受到国内外工程界的重视，并且在石油、化工、电力、冶金、机械等工业部门的控制系统中得到了非常成功的应用[3]。
预测控制的典型算法有三种:(1) 模型算法控制(Model Algorithmic Control，简称MAC)是由Richalet和Mehra等在20世纪70年代后期提出的一类模型预测控制算法。
MAC算法采用基于对象脉冲响应的非参数数学模型作为内部模型，适用于渐近稳定的线性对象。
(2) 动态矩阵控制(Dynamic Matrix Control，简称DMC)最早在1973年就已经应用于Shell石油公司的生产装置上。
DMC算法也是一种基于被控对象非参数数学模型的控制算法，它以系统的阶跃响应模型作为内部模型。
分析师预测精准度的影响因素文献综述
分析师预测精准度的影响因素文献综述近年来，随着金融市场的不断发展和变化，分析师预测精准度成为了投资者决策的重要参考依据。
分析师的预测精准度不仅与他们的专业素质有关，还受到许多其他因素的影响。
本文将从分析师的个人特征、市场环境和公司治理等方面对影响分析师预测精准度的因素进行综述。
个人特征是影响分析师预测精准度的重要因素之一。
研究表明，分析师的经验和专业背景对其预测精准度有着显著影响。
具有更长从业经验的分析师往往具有更好的市场洞察力和判断能力，其预测更加准确。
拥有金融学或会计学等专业背景的分析师也往往能够更好地理解财务数据和公司业绩，从而提高其预测的准确性。
除了个人特征，市场环境也对分析师预测精准度产生着重要影响。
研究发现，市场流动性对分析师的预测精准度有着积极的影响。
在流动性较高的市场中，市场参与者更容易获取信息，并能够更好地理解和反应市场变化，从而提高对于公司业绩的预测能力。
研究还发现，市场预期对于分析师的预测精准度也有着显著影响。
当市场对某一公司或行业的预期一致时，分析师的预测精准度往往较高，反之则较低。
影响分析师预测精准度的因素并不局限于个人特征、市场环境和公司治理，还受到许多其他因素的综合影响。
研究发现，分析师的激励机制对其预测精准度有着显著影响。
提供更多的奖励和激励措施能够激发分析师的工作热情和创造力，从而提高他们的预测准确性。
分析师间的信息共享和合作也能够提高其预测精准度。
研究发现，在分析师之间建立有效的信息交流和合作网络，能够提高他们的预测准确性。
分析师的个人特征、市场环境和公司治理等多个因素对其预测精准度产生着重要影响。
理解这些影响因素对于投资者评估和使用分析师预测是至关重要的，同时也对相关监管机构和公司管理层改进公司治理、提高信息透明度等方面有着重要的借鉴意义。
- 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)。
预测控制文献综述杭州电子科技大学信息工程院毕业设计（论文）文献综述毕业设计（论文）题目文献综述题目系专业姓名班级学号指导教师多变量解耦预测算法研究预测控制算法的研究自动控制系自动化蔡东东08092811 08928106 左燕预测控制算法的研究1 引言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。
70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[1]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 (Predictive Control)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[2]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[3]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[4]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[5]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。
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Vottera 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[6]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[7]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。
2 预测控制算法的特点2.1预测模型预测控制是基于一种模型的控制算法，这一模型被称为预测模型。
预测模型的功能是根据对象的历史信息和未来输入的预测其未来输出。
这里只强调模型的功能而不强调其结构形式。
2.2滚动优化预测控制是一种优化控制算法，它是通过某一性能指标的最优来确定未来的控制作用的。
这一性能指标涉及到系统未来的行为。
预测控制中的优化是一种有限时段的滚动优化。
在每一采样时刻，优化性能指标只涉及到从该时刻起未来的有限时间，而到下一采样时刻，这一优化时段同时向前推进。
因此，预测控制不是用一个对全局相同的优化性能指标，而是在每一时刻有一个相对该时刻的优化性能指标。
不同时刻优化性能指标的相对形式是相同的，但其绝对形式，即所包含的时间区域，则是不同的。
因此，在预测控制中，优化不是一次离线进行，而是反复在线进行的，这就是滚动优化的含义，也是预测控制区别于传统最优控制的根本点。
2.3反馈校正反馈校正的形式是多样的，可以在保持预测模型不变的基础上，对未来的误差作出预测并加以补偿，也可以根据在线辨识的原理直接修改预测模型。
不论采取何种校正形式，预测控制都把优化建立在系统实际的基础上，并力图在优化时对系统未来的动态行为作出教准确的预测。
因此，预测控制中的优化不仅基于模型，而却利用了反馈信息，因而构成了闭环优化。
综上所述可以看到，预测控制作为一种新型计算机控制算法，是有其鲜明特征的，它是一种基于模型、滚动实施并结合反馈校正的优化控制算法。
根据以上我们对预测控制原理的了解，我们就不难理解它在复杂的工业环境中深受青睐的原因了。
3 存在的问题和发展方向3.1预测控制研究存在的问题1) 理论研究还不够。
在目前的研究中, 理论分析大多集中于单变量的基础算法。
而成功应用的例子却大多是复杂的多变量系统。
所以，对多变量预测控制算法的稳定性、鲁棒性的研究急待强化。
2) 对于非线性系统的预测控制, 现在还没有很好的解决办法。
主要原因是如何解决滚动优化的问题。
3) 现在的预测控制算法多种多样，需要把他们统一起来, 归结为一种统一的理论, 有利于预测控制算法的分析和深人发展。
虽然IMC 控制结构能够统一一些算法, 但还有许多结果不令人满意。
3.2 预测控制可能的研究发展方向l) 应该在理论上对预测控制进行更进一步的研究。
现在虽然在单变量的理论分析方面取得了一些成果，但还远远不够，而且在多变量算法中还没有稳定性或鲁棒性的研究，只能通过仿真来研究。
2) 随着智能控制的兴起和广泛使用，为了解决复杂工业过程中的不确定性、多目标优化等问题，在算法上应该与工智能、神经网络、模糊控制相结合。
把神经网络、模糊控制应用于预测控制中。
预测控制将向智能化方向发展。
3) 由于现在的复杂工业过程中，动态关系复杂、目标多样、不确定性难以参数化，所以为了解决不同问题，应该分同的层次。
所以在实际应用中，可能的发展方向是多层智能预测控制。
4 参考文献[1] Richalet J,rault A.Model predictive Heuristic Control:Application toIndustrial Process.Automatica,1978,14(5):413-428[2] 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[3] 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[4] 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[5] 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，[6] Draeger Andreas,et al,Model Predictive Control Using Neural Networks.IEEEControl Syst.Mag.1995,15(5):61-66[7] Hunt K J,D.Sbarbaro,et al. Neural Networks for Control System:A Survey.Automatrica,1992,28(6):1083-1112。