公开(公告)号：CN104317195A

公开(公告)日：2015-01-28

申请号：CN201410508005.5

申请日：2014-09-28

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  刘念慈 ,  张莉 ,  陈龙 ,  刘想德 ,  张毅

IPC: G05B13/04

Abstract: 本发明公开了一种基于改进极限学习机的非线性系统逆模型控制方法，该方法，包括步骤：包括如下步骤：MAPSO种群初始化，设置MAPSO的相关运行参数。对ELM参数(输入权重及隐含层阈值)进行MAPSO寻优，确定合适的ELM参数；利用MAPSO-ELM对非线性离散被控对象的逆进行直接建模：将训练好的MAPSO-ELM逆模型直接与原系统复合实现非线性系统的逆模型控制，结束。有效提高其预测精度和泛化能力。将改进的极限学习机(MAPSO-ELM)直接运用于非线性系统逆模型控制中，可有效解决非线性系统逆模型建模难及传统逆模型控制方法过学习、训练速度慢、易陷入局部最优值等问题。

公开(公告)号：CN104317195B

公开(公告)日：2017-02-08

申请号：CN201410508005.5

申请日：2014-09-28

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  刘念慈 ,  张莉 ,  陈龙 ,  刘想德 ,  张毅

IPC: G05B13/04

Abstract: 本发明公开了一种基于改进极限学习机的非线性系统逆模型控制方法，该方法，包括步骤：包括如下步骤：MAPSO种群初始化，设置MAPSO的相关运行参数。对ELM参数(输入权重及隐含层阈值)进行MAPSO寻优，确定合适的ELM参数；利用MAPSO-ELM对非线性离散被控对象的逆进行直接建模：将训练好的MAPSO-ELM逆模型直接与原系统复合实现非线性系统的逆模型控制，结束。有效提高其预测精度和泛化能力。将改进的极限学习机(MAPSO-ELM)直接运用于非线性系统逆模型控制中，可有效解决非线性系统逆模型建模难及传统逆模型控制方法过学习、训练速度慢、易陷入局部最优值等问题。(56)对比文件唐贤伦，等.多智能体粒子群优化的SVR模型预测控制《.控制与决策》.2014,第29卷(第4期),第1.3节.Juan Luis Fernández-Martínez，等.Particle Swarm Optimization: A PowerfulFamily of Stochastic Optimizers.Analysis, Design and Application toInverse Modelling《.Advances in SwarmIntelligence，Springer Berlin Heidelberg》.2011,第1-8页.

公开(公告)号：CN104330968A

公开(公告)日：2015-02-04

申请号：CN201410668815.7

申请日：2014-11-18

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  张莉 ,  刘念慈 ,  张毅 ,  刘想德 ,  姜吉杰 ,  王福龙 ,  李腊梅

IPC: G05B11/42

Abstract: 本发明请求保护一种基于改进支持向量回归的逆模型/PID复合控制方法，该方法利用多智能体粒子群算法优化支持向量回归机相关参数，有效提高其建模精度及泛化能力。在此基础上构建了基于粒子群优化算法的支持向量回归机(MAPSO-SVR)逆模型，一定程度上提高了逆模型精度；引入PID控制，提出MAPSO-SVR逆模型/PID复合控制方法，实现非线性系统自身的不断修正，可有效提高系统的跟踪、控制能力。