神经仿射多模型:低复杂度训练、结构选择及预测控制(Neural Affine Multi-models: Low-complexity Training, Structure Selection and Predictive Control)

《Neurocomputing》:Neural affine multi-models: Low-complexity training, structure selection and predictive control

【字体: 大 中 小 】 时间:2026年03月18日 来源:Neurocomputing 6.7

编辑推荐:

  摘要:在非线性模型预测控制(Model Predictive Control, MPC)中,每个采样步均需求解非线性优化问题。尽管逐次泰勒(Taylor)线性化可简化计算,但会在MPC框架中引入模型近似,可能降低控制性能。本研究提出一种新颖的非线性模型结构,可

  
摘要:在非线性模型预测控制(Model Predictive Control, MPC)中,每个采样步均需求解非线性优化问题。尽管逐次泰勒(Taylor)线性化可简化计算,但会在MPC框架中引入模型近似,可能降低控制性能。本研究提出一种新颖的非线性模型结构,可实现计算高效的非线性MPC。该模型建立在仿射(affine)框架内,其含时变(time-varying)系数通过径向基函数(Radial Basis Function, RBF)神经网络在线自适应估计。文中给出了辨识算法及模型结构选择流程。得益于模型结构特点,辨识问题被化简为最小二乘(Least Squares)形式,具有显式解析解,可在毫秒级完成计算。所提模型被集成至MPC公式中,免除了在线线性化的需求,仅需求解二次优化(quadratic optimization)问题。两个基准系统的仿真研究阐明了模型结构选择与辨识过程。对比结果表明,神经仿射模型达到最高精度,而简化神经模型、切比雪夫(Chebyshev)神经模型及线性替代方案性能显著较低。
论文解读——《Neurocomputing》刊载文章:Neural affine multi-models for low-complexity training, structure selection and predictive control
一、研究背景与动机
非线性模型预测控制(Nonlinear Model Predictive Control, NMPC)的核心难点在于每个控制周期需在线求解非线性优化问题,面临计算耗时长及易陷入局部最优的困境。工业界常用逐次泰勒线性化(Successive Taylor Linearization)将NMPC转化为二次规划(Quadratic Programming, QP)问题,但此法引入模型近似误差且无法预先评估预测时域内的模型精度。另一类方法是采用Koopman算子全局线性化或模糊聚合,但前者理论复杂,后者难以处理约束。已有神经仿射(neural affine)多模型虽能将MPC转为QP问题,但其训练仍需非线性优化(如反向传播),且参数辨识复杂度高。为此,Maciej ?awryńczuk提出了一种新型RBF神经仿射多模型结构,其待估参数关于模型输出呈线性关系(在RBF基函数固定的前提下),从而将辨识问题转化为带正则化的最小二乘(Least Squares, LS)问题,获得全局最优解析解,无需迭代优化,实现毫秒级快速训练,并支持系统的结构选择流程。
二、主要关键技术方法
研究人员针对SISO离散时间非线性系统,构建了四种仿射多模型:(1)基线RBF神经仿射多模型——未来控制量与被控量历史项系数均由操作点向量经RBF层与线性映射联合给出;(2)Chebyshev神经仿射多模型——以切比雪夫泛函连接网络(Chebyshev Functional Link Neural Network, CFLNN)替代RBF层;(3)简化神经仿射多模型——未来控制量系数为常数,仅历史项系数由RBF给出;(4)常参数线性仿射多模型。采用k-means聚类确定RBF中心,高斯核函数宽度(spread)通过网格搜索(grid search)与验证集误差最小化选定,正则化系数λ经交叉验证确定。各子模型(对应预测时域各步)独立进行最小二乘辨识,得解析权重解。MPC采用增量式控制量决策向量,引入扰动估计(disturbance estimation)补偿模型-实际偏差,最终MPC在线优化为标准QP问题,用高效QP求解器计算。仿真验证选用双水槽(water tank)系统与二阶非线性直流电机(DC motor)基准,含噪声鲁棒性测试。
三、研究结果
2. Affine model structures(仿射模型结构)
研究人员定义了由N个独立子模型组成的仿射多模型,第k步预测形式为y?(k)=b0,k+Σj=0nuak,jΔu(k?j)+Σi=1nyck,iy(t?i),其中系数ak,j、ck,i、b0,k是操作点向量ζ(t)=[y(t?1)…y(t?ny), u(t?1)…u(t?nu)]T的函数,通过RBF网络(或Chebyshev层)与线性权重组合在线计算。证明了该结构使预测输出相对MPC决策变量呈线性,故MPC优化为QP问题。
3. Model identification and structure selection(模型辨识与结构选择)
在RBF中心与宽度固定条件下,推导出自每个子模型的输出向量关于聚合权重向量θk呈线性:Y?k=Φkθk。代价函数为J=‖Yk?Φkθk‖2+λ‖θk‖2,令梯度为零得θ?k=(ΦkTΦk+λI)?1ΦkTYk,具全局唯一解。结构选择分三步法:用k-means确定RBF中心数M与中心位置,遍历不同扩展系数σ,在验证集上选最小误差配置;正则化系数λ亦通过网格搜索确定。Chebyshev模型只需选多项式阶数d,简化及线性模型相应减少待估参数。
4. Model predictive control using neural affine models(基于神经仿射模型的MPC)
预测方程引入各步独立扰动补偿dk=y(t)?y?1,k(t|t),未来输出向量表示为y?=G·ΔU+f+d,其中G为时变增益矩阵(由ak,j在线算出),f含历史信息与偏置。采用控制量增量ΔU为决策变量,目标函数含跟踪误差加权与Δu惩罚项,约束含u幅值及变化率限制。因y?关于ΔU线性,最终为凸QP问题,可用嵌入式QP求解器实时求解。
5. Simulations(仿真研究)
  • •
    5.1 Benchmark process 1: water tank system — 二阶双水槽系统,N=10, ny=nu=2。RBF神经仿射模型(N=5个RBF节点)验证集相对误差约4.29%,线性模型100%(归一化基准),简化模型97.65%。Chebyshev(d=3~4)精度接近但参数量更大。辨识时间:5000样本、N=10、P=10时约数毫秒。MPC结果显示神经仿射模型IAE(积分绝对误差)较线性与简化模型降低约8%~50%以上,抗高斯/非平稳/相关/工业噪声能力显著更优,无振荡且跟踪快。
  • •
    5.2 Benchmark process 2: nonlinear DC motor — DC电机含状态-输入耦合非线性(如Jω?=Tm?Bω, Tm=Kti, L di/dt=?Ri?Keω+u)。神经仿射模型验证误差约17.28%,仍远优于线性(100%)与简化(95.76%)模型。RBF基模型优于同参数量Chebyshev模型。MPC中神经仿射模型在低控制加权下仍无振荡、快速跟踪设定值,线性与简化模型需增大控制加权抑制振荡且响应迟缓。
四、讨论与结论(翻译自Conclusions)
本研究提出一种专用于MPC预测的新型非线性仿射多模型结构,可捕捉过程非线性特性,同时模型辨识及MPC应用均保持计算高效。与采用逐次在线Taylor线性化的NMPC不同,本方法可在离线阶段针对特定预测时域评估模型精度,且直接嵌入MPC而无须额外简化。研究人员详述了通过RBF网络自适应估计时变系数的神经仿射模型、参数辨识算法及结构选择流程。权重计算高效——最优参数以最小二乘解析解毫秒级获取,无需非线性优化。除基线RBF神经仿射模型外,还给出切比雪夫神经仿射、简化神经仿射及线性仿射三种衍生结构。在两个基准问题上,该模型较线性及简化替代方案误差显著降低;切比雪夫模型虽在水槽系统表现良好,但在含乘性非线性的DC电机上弱于RBF模型且参数量大。多模型框架为每个采样步设独立子模型,适用于预测时域适中、参数规模可控的过程。所导出的MPC算法因具仿射结构只需在线求解简单二次优化问题,基于神经仿射模型的MPC控制品质高,而简化神经仿射及线性仿射结构控制性能明显较差。未来工作方向包括扩展至多输入多输出(Multiple-Input Multiple-Output, MIMO)系统及在线更新RBF权重或中心以适应过程慢时变。
(全文完)
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号