改进的一般化学习网络内模控制在CSTR中的应用

以连续搅拌反应釜(CSTR)为例，通过对一般化学习网络(ULN)分支上时间延迟的优化训练，提高了CSTR 这类具有滞后环节的复杂非线性系统的建模精度。将一般化学习网络和模糊理论相结合，提出了一种改进的神经网络内模控制方法(改进的ULN-IMC)。仿真结果表明,改进的ULN-IMC可有效的提高CSTR的跟踪和抗扰动定值控制过程。