Luận án Nghiên cứu ứng dụng lý thuyết điều khiển hiện đại xây dựng mô hình trong điều khiển dự báo phi tuyến

BỘ GIÁO DỤC VÀ ĐÀO TẠO 
ĐẠI HỌC THÁI NGUYÊN 
Lê Thị Huyền Linh 
NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT 
ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH 
 TRONG ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
THÁI NGUYÊN – 2015 
 BỘ GIÁO DỤC VÀ ĐÀO TẠO 
ĐẠI HỌC THÁI NGUYÊN 
Lê Thị Huyền Linh 
NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU 
KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH TRONG 
 ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN 
Chuyên ngành: Kỹ thuật điều khiển & Tự động hóa 
 Mã số: 62. 52. 02. 16 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
NGƯỜI HƯỚNG DẪN KHOA HỌC 
PGS. TS. Lại Khắc Lãi 
THÁI NGUYÊN – 2015 
 BỘ GIÁO DỤC VÀ ĐÀO TẠO 
ĐẠI HỌC THÁI NGUYÊN 
NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT 
ĐIỀU KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH 
 TRONG ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
THÁI NGUYÊN – 2015 
 BỘ GIÁO DỤC VÀ ĐÀO TẠO 
ĐẠI HỌC THÁI NGUYÊN 
NGHIÊN CỨU ỨNG DỤNG LÝ THUYẾT ĐIỀU 
KHIỂN HIỆN ĐẠI XÂY DỰNG MÔ HÌNH TRONG 
 ĐIỀU KHIỂN DỰ BÁO PHI TUYẾN 
Chuyên ngành: Kỹ thuật điều khiển & Tự động hóa 
 Mã số: 62. 52. 02. 16 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
NGƯỜI HƯỚNG DẪN KHOA HỌC 
THÁI NGUYÊN – 2015 
i 
LỜI CAM ĐOAN 
Tôi tên là Lê thị Huyền Linh, tôi xin cam đoan đây là công trình nghiên 
cứu của cá nhân tôi dƣới sự hƣớng dẫn của tập thể các nhà khoa học và các tài 
liệu tham khảo đã trích dẫn. Kết quả nghiên cứu là trung thực và chƣa đƣợc công 
bố trên bất cứ một công trình nào khác. 
 Tác giả luận án 
 Lê Thị Huyền Linh 
ii 
LỜI CẢM ƠN 
Trong suốt quá trình làm luận án, thực sự đã có những lúc khó khăn, 
tƣởng chừng nhƣ không thể tiếp tục, nhờ nhận đƣợc sự động viên, giúp đỡ của 
ngƣời thân, bạn bè đồng nghiệp, thầy giáo hƣớng dẫn và tập thể các nhà khoa 
học, tôi đã có đƣợc kết quả hôm nay. Từ sâu thẳm, tôi xin đƣợc trân trọng gửi lời 
cảm ơn đến tất cả. Cảm ơn những ngƣời thầy, ngƣời bạn đã đồng hành, giúp đỡ, 
chia sẽ cùng tôi trong giai đoạn khó khăn, vất vả nhất của chặng đƣờng luận án. 
Qua đây, tôi xin đƣợc bày tỏ lòng biết ơn chân thành đến thầy giáo 
hƣớng dẫn PGS. TS. Lại Khắc Lãi đã tận tình, dìu dắt và định hƣớng cho tôi 
trong suốt thời gian qua. Tôi cũng xin đƣợc gửi lời cảm ơn sâu sắc và kính trọng 
đến các thầy cô giáo, các đồng nghiệp trong Khoa Điện, tập thể các nhà khoa 
học, đã đóng góp những ý kiến quý báu về chuyên môn, quan tâm, tạo điều kiện 
thuận lợi, giúp đỡ về công việc và thời gian. Cảm ơn Bộ môn Kỹ thuật Điện, 
Khoa Điện, các Phòng ban của Trƣờng Đại học Kỹ thuật Công nghiệp, Đại học 
Thái Nguyên đã nhiệt tình, tạo điều kiện trong suốt quá trình thực hiện luận án. 
Từ sâu tận đáy lòng, tôi muốn đƣợc nói lời cảm tạ đến bố mẹ, chị gái, 
chồng và con gái bé bỏng đã luôn luôn bên tôi, hết lòng thƣơng yêu, quan tâm, sẻ 
chia, ủng hộ, động viên tinh thần, tình cảm, tạo điều kiện giúp tôi có nghị lực để 
hoàn thành quyển luận án này. 
 Tác giả luận án 
 Lê Thị Huyền Linh 
iii 
MỤC LỤC 
LỜI CAM ĐOAN ................................................................................................... i 
LỜI CẢM ƠN ........................................................................................................ ii 
MỤC LỤC............................................................................................................. iii 
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT ....................................... vi 
DANH MỤC CÁC BẢNG BIỂU ......................................................................... ix 
DANH MỤC CÁC HÌNH VẼ ................................................................................ x 
MỞ ĐẦU ................................................................................................................. 1 
1. Tính cấp thiết của đề tài luận án ........................................................................ 1 
2. Phạm vi, đối tƣợng nghiên cứu và phƣơng pháp nghiên cứu ............................ 3 
3. Mục tiêu của luận án .......................................................................................... 4 
4. Những đóng góp mới về lý luận và thực tiễn của luận án ................................. 4 
5. Bố cục của luận án ............................................................................................. 5 
CHƢƠNG 1 
TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU 7 
1.1. Giới thiệu tổng quan về điều khiển dự báo theo mô hình ............................ 7 
1.1.1. Khái niệm ..................................................................................................... 7 
1.1.2. Nguyên lý của điều khiển dự báo theo mô hình .......................................... 8 
1.1.3. Các thành phần chính trong điều khiển dự báo dựa trên mô hình ............. 10 
1.2. Những vấn đề liên quan về điều khiển dự báo hệ tuyến tính ..................... 15 
1.3. Các ƣu nhƣợc điểm của điều khiển dự báo so với phƣơng pháp khác ...... 20 
1.4. Những vấn đề liên quan về điều khiển dự báo hệ phi tuyến ...................... 21 
1.5. Đề xuất hƣớng nghiên cứu giải quyết trong luận án .................................. 25 
1.6. Kết luận Chƣơng 1 ..................................................................................... 26 
CHƢƠNG 2 
NHẬN DẠNG NHIỄU VÀ BÙ NHIỄU CHO LỚP HỆ PHI TUYẾN 
CÓ TRỄ 27 
2.1. Tổng quát chung về nhận dạng và mạng nơron ......................................... 27 
2.1.1 Khái niệm về nhận dạng ............................................................................. 27 
2.1.2 Khái quát về cấu trúc mạng nơron ............................................................. 28 
2.1.3 Giới thiệu mạng nơron RBF....................................................................... 30 
iv 
2.1.4 Tóm lƣợc về nhận dạng trực tuyến hệ phi tuyến sử dụng mạng nơron nhân 
tạo ............................................................................................................... 31 
2.2. Bài toán nhận dạng nhiễu cho lớp hệ phi tuyến có trễ ............................... 32 
2.3. Thuật toán nhận dạng nhiễu hệ phi tuyến có trễ trên cơ sở sử dụng mạng 
nơron RBF khi chỉ có một thành phần nhiễu ............................................. 33 
2.3.1. Xây dựng thuật toán nhận dạng nhiễu ....................................................... 33 
2.3.2. Ví dụ minh họa ........................................................................................... 41 
2.4. Tổng hợp tin hiệu bù nhiễu cho hệ thống có trễ với một kênh điều khiển ....... 44 
2.5. Thuật toán nhận dạng nhiễu hệ phi tuyến có trễ trên cơ sở sử dụng mạng 
nơron RBF khi có nhiều thành phần nhiễu ................................................ 46 
2.5.1. Xây dựng thuật toán nhận dạng .................................................................... 47 
2.5.2. Ví dụ minh họa ........................................................................................... 54 
2.6. Xác định điều kiện ứng đối cho việc bù nhiễu trong các hệ thống có trễ với 
nhiều thành phần nhiễu tác động................................................................ 57 
2.7. Kết luận Chƣơng 2 ..................................................................................... 59 
CHƢƠNG 3 
TỔNG HỢP BỘ ĐIỀU KHIỂN DỰ BÁO DỰA THEO MÔ HÌNH NỘI 
CHO ĐỐI TƢỢNG CÓ TRỄ VÀ XÂY DỰNG HỆ THỐNG ĐIỀU 
KHIỂN CHO ĐỐI TƢỢNG CSTR 61 
3.1. Đặt vấn đề .................................................................................................. 61 
3.2. Xây dựng tiêu chuẩn tối ƣu cho bài toán điều khiển tối ƣu và điều khiển 
dự báo ......................................................................................................... 62 
3.3. Xây dựng thuật toán điều khiển dự báo dựa trên mô hình nội cho lớp đối 
tƣợng phi tuyến có trễ trên cơ sở đã nhận dạng và bù nhiễu ..................... 66 
3.4. Xây dựng mô hình toán cho đối tƣợng CSTR ........................................... 71 
3.4.1. Xây dựng mô hình toán cho đối tƣợng CSTR với một tín hiệu điều khiển76 
3.4.2. Xây dựng mô hình toán cho đối tƣợng CSTR với hai tín hiệu điều khiển 79 
3.5. Thiết kế mô hình nhận dạng các nhiễu cho đối tƣợng CSTR .................... 81 
3.5.1. Thiết kế mô hình nhận dạng nhiễu trên hai kênh h và Cb với một tín hiệu 
điều khiển ................................................................................................... 82 
v 
3.5.2. Thiết kế mô hình nhận dạng nhiễu trên hai kênh h và Cb với hai tín hiệu 
điều khiển .................................................................................................. 87 
3.6. Xây dựng hệ thống điều khiển dự báo dựa trên mô hình nội cho đối tƣợng 
CSTR trên cơ sở đã nhận dạng và bù nhiễu ............................................... 92 
3.6.1. Xây dựng bộ IMPC điều khiển một kênh Cb với một tín hiệu điều khiển ....... 92 
3.6.2. Xây dựng bộ IMPC điều khiển đồng thời cả hai kênh Cb và h với hai tín 
hiệu điều khiển ........................................................................................... 94 
3.7. So sánh bộ điều khiển PID với bộ điều khiển IMPC đã đƣợc nhận dạng và 
bù nhiễu để điều khiển cho đối tƣợng CSTR ............................................. 96 
3.7.1. So sánh bộ điều khiển PID với bộ điều khiển IMPC điều khiển một kênh 
Cb với một tín hiệu điều khiển ................................................................... 96 
3.7.2. So sánh bộ điều khiển PID và bộ điều khiển IMPC điều khiển đồng thời 
hai kênh Cb và h với hai tín hiệu điều khiển ............................................ 100 
3.8. Kết luận Chƣơng 3 ................................................................................... 105 
KẾT LUẬN VÀ KIẾN NGHỊ ............................................................................ 107 
DANH MỤC CÔNG TRÌNH KHOA HỌC CÓ LIÊN QUAN ĐẾN LUẬN ÁN ........ 109 
TÀI LIỆU THAM KHẢO .................................................................................. 110 
vi 
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT 
 Danh mục các ký hiệu 
T thời gian trích mẫu 
( )ktX 
trạng thái tại thời điểm tk 
1 2( ), ( ),...k kt tX X trạng thái thại thời điểm tk+1, tk+2 
( )x t đầu ra của đối tƣợng điều khiển 
( )u t , ( )tU tác động điều khiển 
τ thời gian trễ 
ia các thông số đặc trƣng cho động học của đối tƣợng 
( )f  , ( )F X vectơ các tác động nhiễu 
ˆ ( )f X , ˆ ( )F X hàm đánh giá của ( )f X 
*
iw ,
*
ijw 
các trọng số lý tƣởng 
ε , εi 
sai số xấp xỉ 
εM số nhỏ nhất bất kỳ cho trƣớc 
*ε , 
*εi 
sai số xấp xỉ lý tƣởng 
ˆ
iw , ˆ ijw các trọng số đánh giá 
iw , ijw 
sai lệch trọng số đánh giá 
, ,A B D các ma trận thông số đặc trƣng của đối tƣợng 
O ma trận với tất cả các thành phần bằng không 
mI 
ma trận đơn vị 
( )i X các hàm cơ sở 
Ci , Cij tâm của hàm cơ sở 
i , ij độ trải rộng của hàm cơ sở 
( )e t , ( )tE sai số trạng thái đầu ra 
( )f X sai số nhiễu đối tƣợng thực và nhiễu đánh giá 
P ,Q ma trận đối xứng xác định dƣơng 
min( )r Q , ax ( )mr Q 
giá trị riêng nhỏ nhất, lớn nhất của ma trận Q 
 hệ số dƣơng 0 
vii 
nP , 2n m iP 
dòng thứ n và 2n m i của ma trận P 
( ), ( )dk dku t tU 
tín hiệu điều khiển 
( ), ( )b bu t tU 
tín hiệu điều khiển bù 
( )B , ( )D không gian hạng của ma trận B, D 
, các tập Compact 
h mức dung dịch 
Cb nồng độ dung dịch 
l khoảng cách từ van đến thành bình 
T1, T2, T3 các van điện 
T hằng số thời gian 
mv1, mv2, mv3 lƣu lƣợng của các dung dịch 
K hệ số truyền của van điện 
 góc mở van 
 Danh mục các chữ viết tắt 
ARMAX Autoregressive Moving Average with Exogenous 
CSTR Continuous Stirred Tank Reactor 
DMC Dynamic matrix control 
DLP Double-Layer Perceptron feedforward neural network 
EHAC Extended Horizon Adaptive Control 
FIR Finite Impulse Response 
HEICON Hierarchical Constraint Control 
IMPC Internal Model Predictive Control 
GPC Generalized Predictive Control 
LS Least Squares 
MAC Model Algorithmic Control 
MIMO Multiple Input Multiple Output 
MPC Model Predictive Control 
NAV Nonlinear Absolute Values 
viii 
OPC Optimum Predictive Control 
PFC Predictive Functional Control 
PID Proportional Integral Derivative 
RMPCT Robust MPC Technology 
RBF Radial Basic Funtions 
SMC Sequential Monte Carlo 
SISO Single Input Single Output 
ix 
DANH MỤC CÁC BẢNG BIỂU 
Bảng 1.1. Bảng phân loại một số phƣơng pháp sử dụng cho xây dựng mô hình, 
giải bài toán tối ƣu cho đối tƣợng tuyến tính, phi tuyến trong MPC ................... 14 
Bảng 1.2. Bảng tóm lƣợc một số phƣơng pháp nhận dạng mô hình dự báo của 
một số phƣơng pháp MPC .................................................................................. 17 
Bảng 1.3. Bảng tóm lƣợc một số kỹ thuật MPC của một số hãng trên thế giới .. 17 
x 
DANH MỤC CÁC HÌNH VẼ 
Hình 1.1. Hình ảnh về ứng dụng điều khiển trong công nghệ xử lý hóa chất ....... 8 
Hình 1.2. Nguyên lý cơ bản của điều khiển dự báo dựa trên mô hình .................. 9 
Hình 1.3. Sơ đồ khối hệ thống điều khiển dự báo dựa trên mô hình ................... 11 
Hình 1.4. Cấu trúc mô hình lớp đối tƣợng phi tuyến có trễ ................................. 25 
Hình 2.1. Sai số đầu ra của đối tƣợng thực và mô hình ....................................... 27 
Hình 2.2. Cấu trúc hệ thống phi tuyến ................................................................. 28 
Hình 2.3. Cấu trúc của một số mạng nơron thƣờng gặp ...................................... 29 
Hình 2.4. Cấu trúc mạng RBF xấp xỉ hàm ( )f X ................................................. 36 
Hình 2.5. Sơ đồ cấu trúc hệ thống nhận dạng nhiễu cho các đối tƣợng có trễ trên 
cơ sở mô hình song song và mạng nơron............................................................. 41 
Hình 2.6. Mô hình đối tƣợng hệ phi tuyến (2.35) dùng trong mô phỏng ............. 42 
Hình 2.7. Sơ đồ cấu trúc nhận dạng nhiễu dựa trên cơ sở mạng nơron RBF ...... 43 
Hình 2.8. Các đáp ứng tín hiệu đầu ra của hệ (2.35) ........................................... 43 
Hình 2.9. So sánh thành phần phi tuyến F(X) của hệ (2.35) và thành phần nhiễu 
đƣợc nhận dạng qua RBF ..................................................................................... 43 
Hình 2.10. Sai lệch giữa nhiễu nhận dạng và nhiễu thực của hệ thống ............... 44 
Hình 2.11. Sơ đồ kênh tạo tín hiệu bù ................................................................. 45 
Hình 2.12. Sơ đồ cấu trúc các mạng nơron xấp xỉ các hàm 1( )f X , 2( )f X , 
,
2
( )mf X của hệ (2.44) ....................................................................................... 48 
Hình 2.13. Sơ đồ cấu trúc nhận dạng các nhiễu cho các lớp đối tƣợng có trễ trong 
kênh điều khiển .................................................................................................... 54 
Hình 2.14. Sơ đồ cấu trúc nhận dạng các nhiễu dựa trên cơ sở mạng nơron RBF
 .............................................................................................................................. 55 
Hình 2.15. Các đáp ứng tín hiệu đầu ra của hệ (2.74) ......................................... 55 
Hình 2.16. So sánh thành phần phi tuyến F(X) của hệ (2.74) và  ... e 
identification method based on Neural network for a class predictive control 
system with delay", Tạp chí Khoa học và Công nghệ các trường Đại học Kỹ 
thuật, Tập 101 - ISSN 0868 - 3980, tr. 20 - 24. 
7. Lê Thị Huyền Linh, Đặng Ngọc Trung (2014), “Ứng dụng nhận dạng nhiễu trên cơ sở 
mạng nơron cho bình phản ứng khuấy trộn liên tục”, Tạp chí Khoa học Công nghệ - 
Đại học Thái Nguyên, Tập 122 - số 08, ISSN 1859 - 2171, tr. 137 - 141. 
8. Lê Thị Huyền Linh, Lại Khắc Lãi (2014), “Điều khiển dựa trên mô hình dự báo 
cho một lớp đối tƣợng có trễ”, Tạp chí Khoa học Công nghệ - Đại học Thái 
Nguyên, Tập 128 - số 11, ISSN 1859 - 2171, tr. 149 - 154. 
9. Lê Thị Huyền Linh, Lại Khắc Lãi (2014), “Phƣơng pháp nhận dạng nhiễu phụ 
thuộc trạng thái trong hệ phi tuyến có trễ”, Chuyên san Điều khiển & Tự động 
hóa, số 11, tr. 53 - 57. 
110 
TÀI LIỆU THAM KHẢO 
Tiếng Việt 
1. Đỗ Thị Tú Anh, Nguyễn Doãn Phƣớc (2013), “Giới thiệu về điều khiển dự báo, 
Phần I: Hệ tuyến tính”, Tuyển tập báo cáo hội nghị khoa học Khoa Điện tử, 
Trƣờng Đại học Kỹ thuật Công nghiệp Thái Nguyên, tr. 129 -138. 
2. Đỗ Thị Tú Anh, Nguyễn Doãn Phƣớc (2014), “Ổn định hóa hệ song tuyến liên 
tục với bộ điều khiển dự báo”, Tạp chí Khoa học Công nghệ - Đại học Thái 
Nguyên, 20(6), tr. 73 - 79. 
3. Phạm Hữu Đức Dục (2009), Mạng nơron & ứng dụng trong điều khiển tự động, 
Nhà xuất bản Khoa học và Kỹ thuật. 
4. Nguyễn Công Định, Nguyễn Thanh Hải (2012), Điều khiển phi tuyến trên cơ sở 
mạng nơron nhân tạo, Nhà xuất bản Khoa học và Kỹ thuật. 
5. Cao Tiến Huỳnh (2002), “Tổng hợp hệ điều khiển trƣợt, thích nghi cho các đối 
tƣợng có trễ”, Tuyển tập các báo cáo khoa học Hội nghị toàn quốc lần thứ V về Tự 
động hóa, Hà Nội, tr. 181 - 186. 
6. Cao Tiến Huỳnh (2005), “Tổng hợp hệ điều khiển thích nghi cho các đối tƣợng có 
trễ”, Tuyển tập các báo cáo khoa học hội nghị toàn quốc lần thứ VI về Tự động 
hóa, Hà Nội, tr. 288 - 293. 
7. Bùi Quốc Khánh, Phạm Quang Đăng, Nguyễn Huy Phƣơng, Vũ Thụy Nguyên 
(2014), Điều khiển quá trình, Nhà xuất bản Khoa học và Kỹ thuật. 
8. Nguyễn Thúc Loan, Nguyễn Thị Phƣơng Hà, Huỳnh Thái Hoàng (2002), “Điều 
khiển dự báo hệ phi tuyến dựa vào mô hình mờ”, Tuyển tập các báo cáo khoa 
học Hội nghị toàn quốc lần thứ V về Tự động hóa, Hà Nội, tr. 95 - 100. 
9. Nguyễn Doãn Phƣớc (2009), Lý thuyết điều khiển nâng cao, Nhà xuất bản Khoa 
học và Kỹ thuật. 
10. Nguyễn Doãn Phƣớc, Phan Xuân Minh (2005), Nhận dạng hệ thống điều khiển, 
Nhà xuất bản Khoa học và Kỹ thuật. 
111 
11. Trần Quang Tuấn (2012), Về một phương pháp điều khiển thích nghi mờ cho đối 
tượng phi tuyến bất định, Luận án tiến sĩ, Trƣờng Đại học Bách khoa Hà Nội. 
Tiếng Anh 
12. Ai Wu, Peter K., Tam S. (2002), “Stable Fuzzy Neural Tracking control of a 
class of unknown Nonlinear Systems Based on Fuzzy Hierarchy Error 
Approach”, IEEE Trans. on Fuzzy Systems, Vol. 10, No. 6, pp. 779 - 789. 
13. Angrick C. (2007), Nonlinear model predictive control of time-delay systems, 
Student thesis, University of Stuttgart. 
14. Atkeson C. G., Moore A. W., Shaal S. (1996), “Locally weighted learning for 
control”, Artificial Intelligence Review, Vol. 11, No. 5, pp. 75 - 113. 
15. Bemporad A., Morari M. (2004), “Robust model predictive control: A survey”, 
In Proc. of European Control Conference, Porto, Portugal, pp. 939 - 944. 
16. Cahse A. J., Hovakimyan N., Idan M. (2001), “Adaptive output feedback 
control of Nonlinear Systems using neural networks”, Automatica, Vol. 37, No. 
8, pp. 1201 - 1211. 
17. Camacho, Bordons (2007), Model Predictive Control, Springer Venlag. 
18. Cannon M. R., Slotine J. J. E. (1995), Space - frequency localized basis function 
and Control neuro computing, Vol. 9, pp. 293 - 342. 
19. Chang Boon Low, Khuan Holm Nah, Meng Joo Er (2004), Real-time 
implimentation of a dynamic fuzzy neural networks controller for a SCARA, 
Journal of the Institution of Engineers, Singapore, Vol. 26, pp. 449 - 461. 
20. Chen H., Allgower F. (1998), “A quasi-infinite horizon nonlinear model 
predictive control scheme with guaranteed stability”, Automatica 34(10), De 
Souza, Delay-dependent stab, pp. 1205 - 1218. 
21. Chen F. C., Liu C. C. (1994), “Adaptively cotrolling nonlinear continuous-time 
systems using multilayer neural networks”, IEEE Transaction on Automatic 
Control, AC. 39, pp. 1306 - 1310. 
112 
22. Chiman Kwan, Lewis L., Darren M. (1998), “Robust Neural Networks Control 
of Rigid-Link Electrically Driven Robots”, IEEE Trans. On Neural Networks, 
Vol. 9, No. 4, pp. 581 - 588. 
23. Choi J. Y., Farrell J. A. (2001), “Nonlinear adaptive control using networks of 
piecewise linear appproximators”, IEEE Trans. On Neural Networks, Vol. 11, 
No. 2, pp. 390 - 401. 
24. Christopher E., Sarah K. (1998), Sliding Model Control Theory and 
Applications, Taylor & Francis, UK. 
25. Cutler C. R., Ramaker B. C. (1980), Dynamic matrix control a computer control 
algorithm, in Automatic Control Conference, San Francisco. 
26. Daniel E. Rivera (1999), Internal model control: A comprehensive view, Dept. of 
Chemical, Bio and Materials Eng., Arizona State University, Tempe, USA. 
27. Eric Coulibaly, Sandip Maitis, Coleman Brosilow W. (1995), “Internal Model 
Predictive Control (IMPC)”, Automacticka, Vol. 31, No. 10, pp. 1471 - 1482. 
28. Farrell J. A., Zhao Y. (2006), “Self - organizing approximation based control”, In 
Proc. Amer. Control Conf. Minneapolis, MN, pp. 3378 - 3384. 
29. Farrell J. A., Polycarpou M. M. (2006), Adaptive Approximation Base Control 
Unifying Neural, Fuzzy and Traditional Adaptive Approximation Approaches, 
Hoboken, Wiley. 
30. Frank Allgower, Rolf Findeisen, Christian Ebenbauer (2010), Nolinear Model 
Predictive Control, Stuttgart. 
31. Froisy J. (1994), “Model predictive control: Past, present and future”, In ISA 
Transactions, Vol. 33, pp. 235 - 243. 
32. Gantmakker Ph. R. (1977), Matrix Theory, Nauka, Moscow. 
33. Han C., Liu X., Zhang H. (2008), “Robust model predictive control for 
continuous uncertain systems with state delay”, Journal of Control Theory and 
Applications, 6 (2), pp. 189-194. 
113 
34. Haralambos Sarimveis, George Bafas (2003), “Fuzzy model predictive control 
ofnon-linear processes using genetic algorithms”, Fuzzy Sets and Systems 139, 
Elsevier B.V. All rights reserved, pp. 59 - 80. 
35. Hartman E. J., Keeler J. D., Kowalski J. M. (1990), “Layered neural networks 
with Gaussian hidden units as universal approximations”, Neural Comput, 2(2), 
pp. 210 -2 15. 
36. Heinrich Rake, Matthias Wellers (2000), “Nonlinear Model Predictive Control 
Based on Stable Wiener and Hammerstein Models”, Nonlinear Model Predictive 
Control Progress in Systems and Control Theory, Vol. 26, pp. 357 - 366. 
37. Hu X. B. and Chen W. H. (2004), “Model predictive control for constrained 
systems with uncertain state-delays”, International Journal of Robust and 
Nonlinear Control, 14(17), pp. 1421 - 1432. 
38. Huang S. N., Tan K. K., Lee T. H. (2001), “A combined PID/ Adaptive 
controller for a class of nonlinear systems”, Automatica, (37) pp. 611 - 618. 
39. Jin L., Nikiforuk P. N, Gupta M. M. (2005), “Direct adaptive output tracking control 
using multilayered neural networks”, IEE Proceedings D., No. 140, pp. 393 - 398. 
40. Jinkun Liu (2013), Radial Basis Function (RBF) Neural Network Control for 
Mechanical Systems, Springer Venlag. 
41. Junhong N., Derek L. (1995), Fuzzy - Neural Control Principles Algorithm and 
Applications, Prentice Hall, Europe. 
42. Kantner M. (1997), Nonlinear MPC lower bounds via robust simulation, 
American Control Conference, Vol. 3, pp. 1633 - 1644. 
43. Kwon W. H., Lee Y. S., Han S. H. (2001), “Receding horizon predictive control 
for nonlinear time-delay systems”, In International Conference on Control, 
Automation and Systems, Cheju National University Jeju, Korea, pp. 107 - 111. 
44. Li D., Xi Y. (2011), “Nonstrained feedback robust model predictive control for 
polytopic uncertain systems with time delays”, International Journal of Systems 
Science, 42 (10), pp. 1651 - 1660. 
114 
45. Li C., Shi G. (2013), “Weights optimization for multi-instance multi-label RBF 
neural networks using steepest descent method”, Neural Computing and 
Applications, Vol. 22, No. 7- 8, pp. 1563 - 1569. 
46. Lin J., Liu Y. (2002), “Efficient gradient descent method of RBF neural 
networks with adaptive learning rate”, Journal of Electronics, Vol. 19, No. 3, 
pp. 255 - 258. 
47. Liuping Wang (2008), Model Predictive Control System Design and 
Implementation Using MATLAB, Springer Venlag. 
48. Lyu S., Wu C., Zhang S. (2013), “Application of the RBF method to the estimation 
of temperature on the external surface in laminar pipe flow”, Mathematical 
Problems in Engineering, Vol. 2013, Article ID 205169, 11 pages. 
49. Marcus Reble (2013), Model Predictive Control for Nonlinear Continuous-Time 
Systems with and without Time-Delays, University Stuttgart. 
50. Mayne D. Q., Rawlings J. B., Rao C.V., Seokaert P. O. M. (2000), 
“Constrained model predictive control: stability and optimality”, Automatica, 
Vol. 36, pp. 789 - 814. 
51. Maciej Lawrynczuk (2014), Computationally Efficient Model Predictive Control 
Algorithms A Neural Network Approach, Springer International Publishing 
Switzerland. 
52. Marcus Reble, Frank Allgower (2013), Stabilizing design parameters for model 
predictive control of constrained nonlinear time-delay systems, Institute for 
Systems Theory and Automatic Control (IST), University of Stuttgart, Germany. 
53. Martin T. Hagan, Howard B. Demuth, Orlando De Jes (2002), “An introduction 
to the use of neural networks incontrol systems”, International Journal of 
Robust and Nonlinear Control, Int. J. Robust Nonlinear Control, pp. 959 - 985. 
54. Meng Joo Er., Yang Gao (2003), “Robust Adaptive Control of Robort 
Manipulators Using Generalized Fuzzy Neural networks”, IEEE Transactions 
on Industrial Electronics, Vol. 50, No. 3, pp. 620 - 628. 
115 
55. Ming T. Tham (2002), Internal model control, Chemical and Process Eng., 
University of Newcaslte upon Tyne. 
56. Michael Athans, Peter L. Falb (1966), Optimal Control, Mc Graw - Hill Book 
Company. 
57. Morari M. , Lee J. H. (1991), “Model Predictive control: the good, the bad and 
the ugly”. In Proc. Conf. On Chemical Process Control, CPC - IV. AIChE, 
New York, pp. 419 - 444. 
58. Moshe Sniedovich (2011), Dynamic Programming Foundations and Principles, 
Second Edition, Taylor and Francis Group. 
59. Narendra K. S., Parthasarathy K. (1990), “Identification and control for differential 
Systems using Neural networks”, Trans. On Neural Networks, No. 1, pp. 4 - 27. 
60. Nakanishi J., Farrell J. A., Shall S. (2005), “Composite adaptive control with 
locally weighted Statistical learning”, Neural Networks, Vol. 18, No.1, pp. 7 - 90. 
61. Nelles O. (2001), Nonlinear system identification from classical approaches to 
Neural networks and fuzzy models, Springer, Berlin. 
62. Neil Cotter (1990), “The Stone - Weierstrass Theorem and Application to 
Neural Networks”, IEEE Vol. 1, No. 4, pp. 290 - 295. 
63. Ortega J. M. (1987), Matrix Theory, Plenum Press, New York. 
64. Park J., Sandberg L. W. (1991), “Universal approximation using radial basis 
function networks”, Neural Comput, 3(2), pp. 246 - 257 
65. Park J. H., Huh S. H., Kim S. H, Seo S. J. (2005), “Direct adaptive controller 
for non-affine nonlinear systems using self-structuring neural networks”, IEEE 
Trans. Neural Netw., Vol. 16, No. 2, pp. 414 - 422. 
66. Pieter Eykhoff (1974), System Identification, John Wiley and Sons Ltd. 
67. Piyush Shrivastava (2011), Modeling and Control of CSTR using Model based 
Neural Network Predictive Control, Takshshila Institute of Engineering & 
Technology, Jabalpur, Madhya Pradesh, India. 
116 
68. Poznyak A. S., Sanchez E. N., Yu W. (2001), Differential Neural networks for 
Robust Nonlinear Control Identification, State Estimation and Trajectory 
Tracking, World Scientific publisling co., Singapore. 
69. Psichogios D. C., Ungar L. H. (1990), “Nonlinear Internal Model Control and 
Model Predictive Control using Neural Networks”, Department of Chemical 
Engineering University of Pennsylvania, IEEE, pp. 1082 - 1087. 
70. Qin S., Badgwell T. (2003), “A Survey of industrial model prediction control 
technology”, Control Engineering Practice, Vol. 11, pp. 733 - 764. 
71. Qin S., Badgwell T. (2000), “An overview of nonlinear model predictive control 
applications”, Nonlinear Predictive Control, Birkhauser, pp. 369 - 393. 
72. Raff T., Angrick C., Findeisen R., Kim J. S., Allgower F. (2007), Model predictive 
control for nonlinear time-delay systems, Proc. 7
th
 IFAC Symposium on Nonlinear 
Systems, Pretoria, South Africa. 
73. Ramdane Hedjar (2013), “Adaptive Neural network model predictive control”, 
International Journal of Innovative Computing, Information and Control, Vol. 9, 
No. 3, pp. 1245 - 1257. 
74. Richalet J., Rault A., Testud J. L. (1976), Algorithm control of industrial process, 
in 4th IFAC symposium of identification and system parameter estimation, Tbilisi. 
75. Rolf Findeisen, Frank Allgower (2013), An Introduction to Nonlinear Model 
Predictive Control, Institute for Systems Theory in Engineering, University of 
Stuttgart, Germany. 
76. Seyed E. S., Mohammad R. S. (2011), Neural Network Sliding Mode PID 
cotroller design for Electrically Driven Robot Manipulators, International 
Joural of Innovative Computing, Information and Control, Vol. 7, No. 2, pp. 
465 - 476. 
77. Tobias Gybel Hovgard (2012), “Fast Nonconvex Model Predictive Control for 
Commercial Refrigeration”, International Federation of Automatic Control 
Noordwijkerhout, NL. August, pp. 23 - 27. 
117 
78. Wei Sun, Yaonan Wang (2004), “A recurrent Fuzzy Neural Network based 
Adaptive Control and its Application on Robotic Tracking Control”, Neural 
Information Processing - Letters and Review,. Vol. 5, No. 1, pp. 19 - 26. 
79. Wenjie Dong, Yuanyan, Yiming Chen, Jay A. Farrel (2012), Tracking Control 
for Nonaffine Systems, A self organizing Approximation Approach, IEEE Trans 
on Neural Networks and Learning Systems,Vol. 23, No. 2, pp. 223 - 235. 
80. Wen Yu, Xiaoou Li, Yin F., Wang Y. (2004), “System Identification Using 
Adjustable RBF Neural Network with Stable Learning”, @Springer-Verlag, 
LNCS 3174, pp. 212 - 217. 
81. Within C., Peter Meckl H. (2004), “Model-Free observer Backstepping Control 
Design for Nonlinear Systems in Strict Feedback Form”, Conference on 
Decision and Control, Proc. Of 43rd IEEE, pp. 14 - 17. 
82. Xiaoou Li, Wen Yu (2004), “Robust Adaptive control using Neural Networks 
and Projection”, @Springer-Verlag, LNCS 3174, Berlin Heidelberg, pp. 77 - 82. 
83. Yu W.; Li X. (2001), “Some new results on system Identification with 
differential Neural Networks”, Trans. Neural Networks, No 12, pp. 412 - 417.