本文主要探讨了一种基于改进粒子群优化算法（PSO）的径向基函数（RBF）神经网络预测控制方法在液压调高系统中的应用。液压调高系统常用于采煤机，是一个复杂的非线性、时变系统，传统的控制策略难以满足其对实时性的要求。
文章介绍了RBF神经网络的优势，如紧凑的结构、优秀的逼近能力和快速的学习速度。然而，RBF神经网络的中心点选择是一个挑战，许多研究者通过进化算法来优化多RBF网络。本文提出了一种改进的PSO算法，用于优化RBF神经网络的学习过程，以增强学习能力和算法的稳定性。
模拟退火粒子群算法（SA-PSO）是解决这一问题的关键。标准的PSO算法虽然在初期能快速收敛，但在后期可能陷入局部最优。模拟退火算法引入了概率突跳特性，能够在解空间中进行全局搜索，避免陷入局部最优。将模拟退火算法与PSO结合，可以改善粒子群算法的搜索性能，提高全局优化能力。
RBF神经网络被用于建立液压调高系统的预测模型，通过学习和逼近非线性函数，预测系统的未来行为。网络的输出是基于输入向量和基宽函数的加权和，权重的优化由改进的PSO算法完成。预测控制策略采用滚动优化，能够在保持良好动态性能的同时，应对非线性和时变特性。
通过仿真对比，改进后的RBF神经网络预测控制方法在识别精度和响应速度上优于传统控制方法，证明了该方法的有效性。该研究对于提升采煤机液压调高系统的控制性能，特别是在实时性和精度方面，具有重要的实践意义。
总结来说，这篇论文主要贡献了以下几点：
1. 提出了一种改进的PSO算法，用于优化RBF神经网络的参数，增强了学习能力和算法的稳定性。
2. 应用改进的RBF神经网络进行液压调高系统的预测控制，提高了控制精度和实时性。
3. 使用模拟退火粒子群算法解决了标准PSO算法可能陷入局部最优的问题，实现了更高效的全局优化。
这种方法为非线性系统的控制提供了一种新的思路，尤其是在工业领域中处理复杂系统的控制问题。
