长短期记忆网络模型(LSTM)迭代学习优化算法研究文献综述

 2022-01-08 21:20:57

全文总字数:4829字

文献综述

文 献 综 述1 、研究背景和意义使控制系统具有学习能力,从而能在运行过程中不断自我完善,一直是控制届的一个目标[1]。

迭代学习正是基于这样一个思想,对一条同样的轨线进行重复的学习,修正控制系统的不理想的控制信号,从而使得系统的跟踪性能不断提高。

在化工生产过程中,按其操作方式可分为间歇、连续和半间歇反应。

间歇反应是指每次操作之初向设备内投入一批物料,经过一番处理后,排除全部产物,再重新投料[2]。

由于间歇反应过程具有重复性,因此可以采用迭代学习的控制策略,使用前批的信息来改进当前批的操作[3]。

精确的建模是系统具有良好控制性能的基础。

机理模型是根据对象生产过程的内部机制或者物质流的传递机理建立起来的数学模型,而在实际过程中由于反应的复杂性,精准的机理模型通常是不可获得的。

与之相对的,经验模型通常可以利用大量的数据迅速建立对象的模型,而不需要对过程的详细了解[4]。

对于机理模型存在很大不确定性、对外界的干扰比较敏感的的间歇过程,数据驱动的最优迭代学习控制方法已经逐渐成为未来的发展方向[5][6]。

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

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。