Sep, 2023

增量 ISS 系统的非线性 MPC 设计及应用于 GRU 网络

PDF
TL;DR设计了一种新颖的非线性模型预测控制策略，适用于具有增量输入输出稳定性的系统，特别适用于递归神经网络学习的系统，并应用于门控循环单元网络的控制架构，通过基于简单的代数条件实现闭环稳定和状态观察器设计。
nonlinear model predictive controlinput-to-state stable systemsrecurrent neural networksgated recurrent unit networksstate observer
发现论文，激发创造
  • GRU 神经网络学习系统的无偏跟踪非线性 MPC

    通过使用稳定的门控循环单元（GRUs）的递归神经网络（RNNs），在非线性模型预测控制（NMPC）框架下实现无偏移跟踪的研究，其结果表明在不降低系统稳定性的情况下取得了显著的性能提升。

    Mar, 2021

  • 非线性深度神经网络建模的高效模型预测控制

    该研究论文提出了一种用于动态系统的模型预测控制（MPC）方法，该方法利用深度神经网络（NNs）对系统的非线性和不确定性进行建模，并提出了两种用于解决 MPC 问题的方法：混合整数规划（MIP）方法和线性松弛（LR）方法。进行了广泛的数值模拟来演示和比较 MIP 和 LR 方法的性能。

    May, 2024

  • 基于元学习的快速适应神经预测模型的不确定非线性系统 MPC

    使用神经状态空间模型和隐式模型无关元学习方法解决非线性系统中的参考跟踪问题，并通过模型预测控制提高控制性能。

    Apr, 2024

  • 基于非线性稀疏变分贝叶斯学习的模型预测控制及其在 PEMFC 温度控制中的应用

    该研究发展了一种基于非线性稀疏变分贝叶斯学习的模型预测控制方法，在该方法中通过 NSVB 方法学习模型，利用变分推断来评估预测准确性并对系统不确定性进行必要的修正，以确保输入到状态的稳定性和约束条件的可行性，最后通过 PEMFC 温度控制模型实验证实了 NSVB-MPC 方法的有效性。

    Apr, 2024

  • 深度长短时记忆网络：稳定性质和实验验证

    探究使用增量输入状态稳定化深度循环神经网络来识别非线性动态系统，提出了可学习被证明为增量输入状态稳定化的 LSTM 模型训练方法，并在实际制动器系统的输入输出实验数据中进行测试，结果表明建立的模型性能良好。

    Apr, 2023

  • 无限时域可微模型预测控制

    本文提出了一种可微分的线性二次模型预测控制（MPC）框架，用于安全模仿学习，其中利用从离散时间代数 Riccati 方程（DARE）获得的终端成本函数强制实施无限地平线成本，以便能够证明所学控制器在闭环中稳定。该框架的学习能力在一组数值研究中得到了证明。

    Jan, 2020

  • 增强安全的近似非线性模型预测控制与神经网络

    本论文通过神经网络（NN）的逼近研究模型预测控制（MPC）控制器，以实现快速在线计算，并通过安全增强提高收敛和实现约束满足的确定性保证。其控制框架在三个具有不同复杂度的非线性 MPC 基准测试中得到阐述，并证明了与在线优化相比的数量级的计算加速。

    Apr, 2023

  • 深度神经网络模型预测控制框架介绍及快速控制器实现

    基于深度神经网络的非线性模型预测控制（MPC）在同质压燃点火（HCCI）燃烧控制方面的实验实施结果良好，具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。

    Oct, 2023

  • 高斯过程回归的谨慎模型预测控制

    本文提出了一种使用高斯过程回归模型的模型预测控制方法，用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率，并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。

    May, 2017

  • 基于循环神经网络的连续制药制造模型预测控制

    本研究展示了在连续制药生产中，使用循环神经网络作为模型预测控制（MPC）解决方案，可以更好地建模动态系统并实现满意的闭环控制性能。

    Jul, 2018