预测控制是20世纪70年代提出的一种计算控制方法,它主要由模型预测、滚动优化以及反馈校正三个部分组成。目前,基于线性系统的模型预测控制在理论上和实际应用中都已经比较成熟。但对于非线性系统,由于特殊的结构特性,想要研究一种统一的求解非线性系统方法还有待进一步探索。本文结合神经网络方法对预测控制的预测模型、滚动优化、反馈校正这三大要素进行研究,主要的研究内容包括如下几个方面:1针对梯度下降法(GD)存在收敛速度慢、容易陷入局部最小以及牛顿迭代法(GR)计算量大、抗干扰性弱等问题。本文选用结构简单且具有动态自适应性的PID神经网络(PIDNN)结构并结合Levenberg-Marquardt(LM)算法和BP算法来建立预测模型。该方法不但大大减少了算法的计算量而且具有快速的收敛性以及较高的模型精度。2针对求解多变量非线性系统控制器计算量大的问题。本文提出了一种新的神经网络预测控制算法。该算法引入了逆动态控制方法以及分解控制策略,使其控制器具有固定的结构、且可以直接优化性能指标等特点,因此该算法在处理多步预测控制时可以减少变量的存储空间以及计算的复杂度。3针对因多步递推预测而产生的积累误差问题。本文采用自适应神经网络方法来减少模型误差。该方法在一系列的累积误差数据中通过训练网络权值来获得误差的变化规律。从而可以更有效的校正模型误差。