基于灰色预测可变裕度PID网络自适应算法

为了综合控制拥塞链路的队列长度,提高AQM系统对动态网络环境的自适应能力,提出了一种基于灰色预测和考虑可变裕度PID控制的自适应TCP网络主动队列管理。首先,建立相角和幅值裕度与网络参数相关的PID自适应主动队列(TCP/AQM)控制论模型,该模型可以根据网络参数的变化而动态改变控制参数,以提高AQM网络动态自适应能力,及系统的鲁棒性;其次,将灰色预测引入该模型,实现路由器队列长度的超前预测,补偿带有PID反馈模块的AQM算法给队列造成的时滞影响。与其他算法的仿真结果相比较,该设计算法能够使信息流在较短的时间内稳定在期望队列长度阈值附近。     

一种基于内模PID控制的主动队列管理算法

针对传统主动队列管理中PID控制存在的参数不易整定等缺点,通过引入内模控制思想,提出了一种基于内模控制的PID控制器（IMC－PID）,其突出特点是控制器仅有一个参数需要整定。将IMC－PID应用于网络拥塞控制中,得到了一种新的主动队列管理（AQM）算法——IMC－PID算法。仿真实验表明,IMC－PID算法有较强的鲁棒适应性及较快的队长调节速率。     

Ad-hoc网络PSD拥塞控制算法

神经元PID算法能较好地控制队列长度,但其神经元增益对被控对象的状态较为敏感,基于试凑和经验的设定往往使控制效果难以保证。基于TCP拥塞窗口加法增大、乘法减小原则和排队机制,推导出拥塞窗口与丢弃概率、队列长度的微分方程,再对方程进行线性化,获得Ad-hoc网络TCP/AQM控制系统模型。基于该模型,将递推计算修正功能引入神经元PID,设计了一种神经元自适应PSD的AQM。该算法可以在线调整神经元增益。NS仿真表明,在无线分组丢失、突发流及链路容量变化的Ad-hoc网络中,PSD队列管理性能优于神经元PID。     

模糊自适应算法在网络主动队列管理中的研究

为了改善由于RED算法控制的主动队列管理策略(AQM)系统引起网络响应时间过长,许多文献提出了基于P/PI控制器的AQM策略。但是,由于网络具有非线性特点,论文设计了一种模糊自适应PID控制器的主动队列管理系统,根据队列长度和队列长度变化通过模糊控制规则在线调整PID控制器参数,并用Matlab进行了仿真,验证了当网络出现突发分组时,该算法能够较快的使分组稳定在队列阀值附近,同时不产生队列震荡。     

大时滞网络自适应主动队列管理新算法

针对PID控制器无法严格处理主动队列管理（AQM）中的大时滞情况,且不能随着变化的网络环境在线调节参数,提出了一种基于增益自适应Smith预估控制和模糊控制的大时滞网络的自适应PID主动队列管理（GAS-FPID）算法。引入增益自适应Smith预估控制器实现滞后补偿,模糊控制器来实现PID参数动态网络环境的在线调整;NS2仿真表明,所提出算法能克服滞后的影响,能快速的适应动态网络环境,具有很好的稳定性和鲁棒性。     

主动队列管理中PID控制器的解析设计方法

主动队列管理(active queue management,简称AQM)是一个非常活跃的研究领域.作为对终端系统上拥塞控制的一种补充,中间节点的AQM策略在保证较高吞吐量的基础上可以有效地控制队列长度.基于TCP/AQM控制论模型,使用H(最优控制理论,以解析的方法设计了新型PID控制器.该控制器的特点是:控制器由单参数调节,可以方便地实现系统标称性能和鲁棒性能的折衷.通过NS仿真并与其他算法相比较,验证了所设计的控制器的性能.结果显示,所设计的PID控制器性能优于其他算法.     

一种基于速率的单神经元自适应PID拥塞控制方法

从控制理论的角度研究了一种基于速率的拥塞控制方法．采用单神经元自适应PID控制器,可以在线调节控制参数以保证控制环路的稳定性．运用Jury稳定判定标准给出了保证被控ATM网络在平衡点附近稳定的条件．仿真结果表明,使用该控制方案能使缓冲器队列长度快速收敛到目标值,并维持小的队列振荡,与传统的PID控制器相比具有更好的稳定性和鲁棒性．     

基于单神经元预测PID的主动队列管理算法

针对网络中普遍存在的大时滞现象以及网络参数实时变化问题,将单神经元PID预测控制器用于主动队列管理算法(AQM).利用单神经元的自学习能力解决网络实时变化时算法参数的在线整定问题,并利用Levinson预测器有效地解决了大时滞对网络性能的影响,最后通过仿真进一步验证了提出算法的有效性.     

自适应的PIP主动队列管理机制

近年来AQM的研究者提出了多种主动队列管理机制,包括RED,PI,REM,AVQ,PD,SMVS,PIP等,它们之间的主要区别在于丢弃概率的计算方法不同,其中基于反馈校正的PIP是综合性能更为突出的一种算法,但是遗憾的是其参数不能实现自动配置 .结合单神经元自适应PID控制器,为PIP算法建立了自适应的模型,提出一种参数自适应的PIP算法 .通过NS2仿真实验,验证了该算法能提高链路利用率和降低报文丢失率,有效缓解了根据特定网络条件配置算法参数的问题 .结合PI,REM,AVQ,PD等AQM算法,讨论了该自适应模型在其他AQM机制中的推广 .     

Active Queue Management算法研究

主动队列管理算法对于IP网络的性能影响重大,是网络拥塞控制一个主要手段。介绍了目前主要的主动队列管理算法如RED、改进的RED以及P控制器、PI控制器、模糊控制器、鲁棒控制器、内模控制器。通过对这些算法的分析,指出其中的不足之处,并对AQM算法的设计提出了一些思路。     

Research on the controller of an arc welding process based on a PID neural network

A controller based on a PID neural network （PIDNN） is proposed for an arc welding power source whose output characteristic in responding to a given value is quickly and intelligently controlled in the welding process. The new method syncretizes the PID control strategy and neural network to control the welding process intelligently, so it has the merit of PID control rules and the trait of better information disposal ability of the neural network. The results of simulation show that the controller has the properties of quick response, low overshoot, quick convergence and good stable accuracy, which meet the requirements for control of the welding process.     

基于动态递归网络的PID自适应控制器的设计与应用

本文分析了改进的ELMAN网络的结构,并讨论了神经网络的学习算法,针对BP算法的缺陷,提出了用遗传算法修正网络权值的学习算法。本文不仅将采用遗传算法进行训练的改进ELMAN网络应用于汽车磷化加热系统的建模,而且针对该系统的特点提出了一种带预测模型的神经网络PID自适应控制器,并最后将该控制器应用于磷化温度控制,取得了良好的控制效果。     

Bioreactor temperature profile controller using inverse neural network (INN) for production of ethanol

This paper presents the use of inverse neural networks (INN) for temperature control of a biochemical reactor and its effect on ethanol production. The process model is derived indicating the relationship between temperature, pH and dissolved oxygen. Using fundamental model obtained data sets; an inverse neural network has been trained using the back-propagation learning algorithm. Two types of temperature profile are used to compare the performance of the INN and conventional PID controllers. These controllers have been simulated in MATLAB for a quantitative comparison. The results obtained by the neural network based INN controller and by the PID controller are presented and compared. There is an improvement in the performance of INN controller in settling time and dead time and steady state error over the PID controller.     

工业锅炉燃烧过程智能控制系统

针对典型的大时滞，非线形的工业锅炉燃烧控制系统．本文提出了一种基于PID神经元网络的工业锅炉燃烧控制系统．在仿真实验的基础上。对PID神经元网络控制与传统的PID控制进行比较和分析，仿真结果表明．PID神经元网络控制方法具有良好的鲁棒性和抗干扰性。其控制效果优于传统的PID解耦控制。     

基于神经网络的恒温控制系统的研究与设计

由于恒温控制的数学模型很难建立,针对这一难题提出了基于神经网络的PID控制器,侧重介绍了BP神经网络PID控制器算法的基本知识以及控制器的设计原理,通过实验仿真证明了神经网络PID控制器的控制效果比传统的PID控制在静态特性和动态特性方面都有所提高,而且具有较好的鲁棒性,该控制器在工业控制中将会发挥越来越大的作用.     

ANN based self tuned PID like adaptive controller design for high performance PMSM position control

Proportional-integral-derivative (PID) being the most simple and the widely deployed controller in the industrial drives is not quite amenable to the solution for high performance drives as these drives are subjected to the parametric uncertainty, unmodeled dynamics and variable load conditions during operation. In order to expand the robustness and adaptive capabilities of conventional PID controller, a neural network based PID (NNPID) like controller which is tuned when the controller is operating in an on line mode for high performance permanent magnet synchronous motor (PMSM) position control is proposed in this paper. The NN based PID like controller is composed of a mixed locally recurrent neural network and contains at most three hidden nodes which form a PID like structure. A novel training algorithm for the PID controller gain initialization based upon the minimum norm least square solution is proposed. An on line sequential training algorithm based on recursive least square is then derived to update controller gains in an on line manner. The proposed controller is not only easy to implement but also requires least number of parameters to be tuned prior to the implementation. The performance of the proposed controller is evaluated in the presence of parametric uncertainties and load disturbances also the result outcomes are compared with the conventional PID controller, optimized using Cuckoo search based optimization method.     

强制循环蒸发系统的非线性自适应解耦PID控制

本文结合现场的实际过程数据,首先应用能量平衡建立了强制循环蒸发过程的动态模型.针对该过程的多变量、非线性以及强耦合特性,在常规增量式PID控制器的基础上提出基于神经网络与多模型切换的非线性自适应解耦PID控制策略.该控制器是由线性自适应解耦PID控制器和基于神经网络的非线性自适应解耦PID控制器以及切换机构组成.其中线性自适应解耦PID控制器可以保证系统的稳定,而基于神经网络的非线性自适应解耦PID控制器则可以有效地提高系统的性能.上述过程的PID参数是通过广义预测的方法得到,最后通过仿真表明,上述控制方法不仅消除了回路间的耦合,在稳定生产的同时提高了蒸发的效率.     

基于改进遗传算法寻优的神经网络PID控制及应用

根据神经网络PID控制器初值的选取影响系统控制性能的特点,提出了一种基于改进遗传算法寻优的神经网络PID控制方法.即先利用遗传算法对PID控制器参数离线寻优,将求出的参数值作为控制器的比例、积分、微分系数的初值,再进行神经网络PID控制.对一类液位过程的实时控制结果表明采用本方法的控制系统具有较好的稳定性和鲁棒性.     

永磁交流伺服系统的神经网络监督控制

针对经典比例积分微分(Proportional Integral Derivative,PID)算法需要准确的数学模型,抗参数摄动和外界干扰能力差,在高度跟踪过程中控制精度低的缺点,设计了基于径向基函数(Radial Basis Function,RBF)神经网络和传统PID复合的控制器,应用于交流伺服位置系统。利用PID控制器实现系统的闭环动力学性能,利用RBF控制器来提高系统的动、静态控制品质,完成了火箭炮位置伺服系统三闭环模型的建立与神经网络离线训练样本的选择,通过仿真表明了此算法可以有效地提高系统的动静态特性。     

基于执行器–评价器学习的自适应PID控制

针对传统PID控制器无法在线自整定参数的不足,提出了一种基于执行器一评估器（Actor-Critic,AC）学习的自适应PID控制器结构与学习算法．该控制器利用AC学习实现PID参数的自适应整定,采用一个径向基函数网络同时对Actor的策略函数和Critic的值函数进行逼近．径向基函数网络的输入为系统误差、误差的一次差分和二次差分,Actor实现系统状态到PID参数的映射,Critic则对Actor的输出进行评判并且生成时序差分（temporaldifference,TD）误差信号．基于AC学习的体系结构和TD误差性能指标,给出了控制器设计的步骤流程图．两个仿真实验表明：与传统的PID控制器相比,基于AC学习的PID控制器在响应速度和自适应能力方面要优于传统PID控制器．