随着以5G技术及人工智能AI为代表的新技术时代的到来,社会的方方面面都将迎来重大的变革,传统的控制工业同样面临冲击。倒立摆原理应用于各类控制工业,但在传统的4G模式下,过高的时延导致摆起到稳态的时间过长,而随着超低时延的5G技术的应用,起摆到稳态用时会降低一个数量级。随着技术含量的提高,各种被控系统复杂度也越来越高,而传统控制手段如PID控制等的控制效果却越来越力不从心。从上世纪70年代以来,工业过程控制中的一种以计算机快速计算为手段,建立在被控对象模型辨识基础上的预测控制理论,在新时代5G等新技术支持下,表现出强大的工业适应力。本文研究与分析一种基于神经网络的预测控制方法,同时对预测控制的背景与意义、基础原理与思想及现状进行了分析与论述。具体内容如下:本文首先梳理了预测控制的发展背景与现状,对预测控制的基础理论进行了阐述,介绍了几种当下流行的预测控制方法。针对非线性系统被控对象,本文使用神经网络模型预测控制方法即基于ELM-RBF神经网络对被控对象进行辨识并构建预测模型,同时使用Levenberg-Marquardt方法在预测控制滚动优化环节对目标约束进行优化求解。为了弥补ELM-RBF神经网络初值难以确定及LM算法过于依赖开始点的缺陷,本文使用一种经过改进的思维进化算法即NMEA对其分别进行优化。NMEA算法由MEA算法经小生境技术和漂移聚类算法思想加以改进而得到。最后,本文使用一种典型的非线性系统即连续搅拌反应釜(CSTR)作为被控对象,使用的基于NMEA-RLM-RBFNN辨识出预测模型,LM-NEMA算法作为滚动优化阶段目标函数求解算法的预测控制方法对CSTR系统的反应物输出浓度进行控制。在Matlab/Simulink仿真平台上搭建CSTR模型,并设计仿真实验以验证该预测控制方法的控制效果。实验表明本文使用的神经网络模型预测控制方法在CSTR系统反应物浓度输出控制上表现出良好的控制效果。