智能预测控制是针对复杂的受控系统,采用某种智能模型与典型的预测控制算法相结合构成的一类智能型预测控制系统,它弥补了传统预测控制算法精度不高、仅适用于线性系统、缺乏自学习和自组织功能、鲁棒性不强的缺陷。智能预测控制可以处理非线性、多目标、约束条件等异常情况。因此,智能预测控制是当前预测控制研究的热点之一。本文主要研究一种新型神经网络即一般化学习网络(Universal Learning Network)在非线性系统辨识以及预测控制中的应用。一般化学习网络具有节点之间有多重分支、任意两个节点互连且节点之间可具有任意的时间延迟的特点,因此能够应用在高度非线性复杂系统的辨识中。本文首先详细介绍了一般化学习网络的结构以及学习算法后,将该网络应用于对机器人手臂的实测信号进行系统辨识,通过系统仿真验证了具有多重分支的一般化学习网络优于单分支的神经网络。然后分别用一般化学习网络和常规的递归神经网络Elman对多变量连续釜式反应器(CSTR)进行系统辨识比较,仿真结果进一步验证了一般化学习网络结构比递归神经网络Elman的辨识精度更高,且网络结构更简洁紧凑。基于一般化学习网络对复杂系统良好的辨识能力,本文提出了将一般化学习网络应用于非线性系统预测控制中,利用一般化学习网络构建一个一般化学习网络预测模型(ULNP)来预测模型未来时刻的输出值,然后利用BP神经网络控制器(NNC)实现基于模型的预测控制。本文详细描述了一般化学习网络预测模型和神经网络预测控制器模型及其在线学习的推导过程。仿真结果证实了所提出算法能够提供满意的跟踪性能。