模型预测控制应用广泛,其优越的约束处理能力使其成为化工领域常用的控制器。模型预测控制为了保证稳定性的同时获得较好的控制效果,需要设计比较长的预测时域,这会造成在线计算时间过长。神经网络理论上可以逼近任何模型,但对于有约束的系统其无法保证系统的安全性,这是目前基于学习的控制问题待解决的难题。充足的数据是神经网络精确逼近模型的关键,但是训练的数据往往不能在同一时间全部获取,有时数据是以流的方式产生的,如何在学习新的数据时不丢失对原有数据所学的特征是目前的主要难点。为了解决模型预测控制在线计算时间过长的问题,本文提出了一种基于分片线性神经网络的学习预测控制方案。本文使用一种激活函数为BRe LU的神经网络,由于其简单且精巧的结构,在训练时间不长的情况下仍能达到较高精度。经验证基于学习的预测控制方案能够在满足误差要求的情况下,大大加快运行速度,使得在线计算时间缩短了几个数量级,这对于低成本系统上运用模型预测控制有着重要的意义。为了保证基于分片线性神经网络的学习预测控制的安全性和稳定性,本文引入了Hoeffding不等式从统计的角度给出了证明。基于约束收紧的鲁棒模型预测器在输入端存在有界干扰时仍能保证稳定性和可行性。当神经网络逼近鲁棒模型预测控制器的误差小于此界时,基于学习的预测控制能保证可行性和稳定性。利用Hoeffding不等式证明了分片线性神经网络学习到的控制规则在一定置信水平上误差以一定概率小于此界,即具有可行性与稳定性。为了解决数据不能及时获取的问题,本文使用了一种基于BRe LU的增量学习方案,对其第一层分位数进行更新,同时对神经网络后面的参数进行更新。具体的方案是利用了先验信息对于BRe LU的作用,在获得新数据后,提取先验信息来优化BRe LU激活函数,以获得更好的逼近效果。由于在线增量学习对时间的要求较高,当获得数据集过大时需要对数据集进行精简,提取出最有用的部分,使用这部分数据对分位数和其他参数进行更新,能达到理想的逼近效果。在增量学习的仿真实验中,验证了通过最大梯度法提取的增量数据能够很好地优化神经网络,使其达到令人满意的逼近效果。