在造纸工业中,流浆箱是纸机的关键的部件,其输出对纸幅成形的质量至关重要。气垫式流浆箱在国内应用十分广泛,对于其控制系统的研究具有重要意义。本文针对气垫式流浆箱的控制问题,深入研究了一类具有自回归结构的小波神经网络,应用改进粒子群算法对该网络参数进行初始化,将该网络模型作为预测控制的预测模型,提出了基于自回归小波神经网络的气垫式流浆箱预测控制策略。主要研究成果如下:(1)针对标准粒子群算法过早收敛,易陷入局部最优的缺陷,本文将粒子总群分为若干个子探测型种群和一个开发型种群,并研究了子种群间的拓扑结构,所有子探测型种群形成环形拓扑,子探测型种群与子开发型种群形成星型拓扑。在粒子群迭代寻优过程中,子种群间互相保持通信,并根据适应度进行粒子迁移替换,维持粒子种群多样性,改善粒子群的局部搜索性能,保证算法能够搜索到全局最优。本文将该算法用于优化小波神经网络,仿真结果表明本文的改进粒子群算法有良好的全局寻优能力和函数逼近性能,具有令人满意的非线性系统辨识效果。(2)为提高小波神经网络的训练效率,减少网络小波层的小波元数量,本文深入研究了自回归小波神经网络,该类网络小波层的每个小波元都有一个自反馈环,能够提高训练数据的利用率。本文研究了网络稳定的条件,实现了网络权重学习率的自适应调节。我们将自回归小波神经网络作为预测模型,设计了一种非线性预测控制策略,通过梯度下降法求取控制量,分析和证明了使系统稳定的控制优化率条件。仿真结果验证了本控制策略的有效性。(3)本文介绍了气垫式流浆箱的数学模型,其被描述为一个双输入双输出的强非线性系统。我们对该模型进行了数据采样,用改进PSO算法和SRWNN对采样得到的流浆箱系统数据进行了模型辨识,将其作为预测模型,构建了基于SRWNN的流浆箱预测控制系统。仿真结果表明,本控制策略实现了对浆位和气垫总压的稳定控制,对干扰具有鲁棒性。