要说机器学习，就要从神经网络开始。
神经网络
人工神经网络(Artificial Neural Network,简称 ANN)可以概括的定义为：由大量简单的高度互连的神经元所组成的复杂网络计算系统。它是智能控制技术的主要分支之一，是以现代神经科学研究成果为基础提出的，神经网络反映了人脑功能的一些基本特征，是模拟人工智能的一个很重要的方法。
一般形式的神经网络就是对人脑完成特定任务或感兴趣功能的方法进行建模的机器。人工神经网络既可以用硬件实现，也可以用软件实现；既可以看做一种计算模式，也可以看做一种认知模式。因此，从本质上讲，人工神经网络、并行分布处理、神经计算机是同一概念。在控制领域，神经网络扮演着一个极其重要的角色，随着神经网络理论研究的不断成熟与完善，神经网络已经用于控制领域的多个方面，如过程控制、生产控制、模式识别、决策支持等等。
预测控制
预测控制，即模型预测控制，是以各种不同的预测模型为基础，采用在线滚动优化指标和反馈自校正策略，力求有效地克服受控对象的不确定性、迟滞和时变等因素的动态影响，从而达到预期的控制目标—— 参考轨迹输入，并使系统具有良好的鲁棒性和稳定性。因此，预测控制的系统组成大致包括：①参考轨迹；②预测模型；③滚动优化；④在线校正等四个部分。
神经网络预测控制简介
神经网络具有函数逼近能力、自学习能力、复杂分类功能、联想记忆功能、快速优化计算能力，以及高度并行分布信息存贮方式带来的强鲁棒性和容错性等优点。神将经网络与模型预测控制相结合，为解决复杂工业过程的控制，提供了强有力的工具。
工业现场大多数实际动态系统本质上都是非线性系统，而非线性系统要比线性系统复杂得多，因为其不具有线性和叠加性。所以基于线性系统建模和优化的预测控制算法难于应用。
另外，用来描述一般非线性系统的数学模型和基于各种核函数描述的模型都存在结构特定、辨识困难、处理复杂等问题，实际中应用很少。而神经网络能够充分逼近复杂的非线性映射，具有学习与适应不确定系统的动态特性和较强的鲁棒性及容错性的特点，因此神经网络一出现便成为对非线性系统建立预测模型和优化控制的关键技术之一，并形成各种基于神经网络的预测控制算法。
从本质上讲，神经网络预测控制还是预测控制，属于智能型预测控制的范畴，它将神经网络技术与预测控制相结合，弥补了传统预测控制算法精度不高、仅适用于线性系统、缺乏自学习和自组织功能、鲁棒性不强的缺陷。它可以处理非线性、多目标、约束条件等异常情况。
利用神经网络能对任意的复杂非线性函数充分逼近，能够学习和适应不确定系统的动态特性，能采用并行分布处理算法快速进行实时运算等特点，建立神经网络辨识模型作为预测模型。在此基础上，求取控制律。
神经网络预测控制的形式
神经网络预测控制有以下两种形式：
-
滚动优化控制器和预测模型控制器都采用神经网络；
-
滚动优化控制器采用其他算法(动态矩阵等)，预测模型控制器采用神经网络。
分类
按照控制律求取方式的不同，神经网络预测控制可以分为以下两种类型。
(1)基于线性化方法或迭代学习求解的神经网络预测控制。线性化方法一直是处理非线性问题的常用方法，通过各种线性化逼近，可以将非线性控制律的求解加以简化，提高其实时计算速度。
(2)基于神经网络控制器的神经网络预测控制。这种方法基于两个神经网络，一个是建模网络，用于过程的动态建模以获取对过程的预测信号；另一个是控制网络，它按照与预测控制目标函数相应的驱动信号来调整整个网络的权值，以获取对预测控制律函数的逼近。
神经网络预测控制结构
结构
神经网络预测控制系统结构如图所示。
图中：s 为设定值；
，
。
取二次性能指标函数：
，式中：
为控制权系数；
，可以由
，求得
；
。
算法步骤
由上可知，神经网络预测控制算法步骤可归纳为 ( j = 1,2,…,P)：
（1）计算期望输入参考轨迹；
（2）由神经网络预测模型输出 y*(k)，经滤波器生成预测输出；
（3）计算预测误差：
（4）求二次型性能函数 min J (P,L,r)；获得最优控制律 ∆ u (k +j−1)，采用 u (k)作为第一个控制信号，作为被控对象的输入，然后转至第（2）步。
程序员都在关注的公众号