摘要
径向基函数神经网络(RBFNN)和预测控制(MPC)是控制领域中两个重要的分支，近年来在复杂系统控制中得到越来越广泛的应用。
RBFNN具有结构简单、逼近能力强、学习速度快等优点，非常适合于非线性系统的建模和控制；而MPC则能够通过预测系统未来的行为来优化控制策略，从而实现对系统的高效控制。
本文将对基于RBFNN的预测控制方法进行综述。
首先，介绍RBFNN和MPC的基本原理以及各自的优缺点；接着，重点综述近年来RBFNN与MPC结合的研究现状，包括不同类型的RBFNN-MPC控制结构、参数优化方法、稳定性分析以及应用领域等方面；最后，对该领域未来的研究方向进行展望。
关键词：径向基函数神经网络；预测控制；非线性系统；模型预测控制；智能控制
1.引言随着现代工业过程复杂性的不断提高，对控制系统性能的要求也越来越高。
传统的控制方法，例如PID控制，在处理具有非线性、时变性、强耦合性等特点的复杂系统时often面临着巨大的挑战。
为了克服这些困难，近年来涌现出许多先进的控制理论和方法，例如模糊控制、神经网络控制、预测控制等等。
径向基函数神经网络(RadialBasisFunctionNeuralNetwork,RBFNN)是一种基于函数逼近理论的人工神经网络，具有结构简单、学习速度快、逼近能力强等优点，在非线性系统建模、模式识别、信号处理等领域得到了广泛应用[12,13]。
预测控制(ModelPredictiveControl,MPC)是一种基于模型的优化控制方法，它通过预测系统未来的行为来优化当前的控制策略，从而实现对系统的高效控制[2,3,7,8]。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
